申请/专利权人：绍兴文理学院

申请日：2024-01-03

公开（公告）日：2024-04-12

公开（公告）号：CN117876589A

主分类号：G06T17/00

分类号：G06T17/00;G06V10/762

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：一种空地三维实景建模的最优K值确定方法，针对地面三维激光扫描点云数据，首先抽取部分数据采用MiniBatchK‑Medoids算法随机选取K0个样本作为初始聚类中心；针对数据集中的每个样本，计算其到K0个聚类中心点的距离，并分配给距离最小的聚类中心所对应的类中；针对每个类别ci，重新计算聚类中心；获取不同K值下的聚类结果，计算数据中每个簇的点到其聚类中心点的误差平方和，绘制误差平方和随K值的变化规律图，SSE在减小过程中减小程度达到最大时对应的K值或下降突然变缓时对应的拐点即为最优K值。本发明提高模型计算效率和特征点数量选取的准确度。

主权项：1.一种空地三维实景建模的最优K值确定方法，其特征在于，所述方法包括以下步骤：1针对地面三维激光扫描点云数据，首先抽取部分数据采用MiniBatchK-Medoids算法随机选取K个样本作为初始聚类中心C＝{c1,c2,...,cK}；2针对数据集中的每个样本，计算其到K个聚类中心点的距离，并分配给距离最小的聚类中心所对应的类中dmin＝{|pi-m1|,|pi-m2|,…,|pi-mj|}i＝1,2,···,n,j＝1,2,···,K，mj是聚类中心，pi是簇内点，dmin是簇内点与每个簇中心点之间的最小距离；3重复步骤2、3，获取不同K值下的聚类结果，计算数据中每个簇的点到其聚类中心点的误差平方和4绘制误差平方和SSE随K值的变化规律图，SSE在减小过程中减小程度达到最大时对应的K值或下降突然变缓时对应的拐点即为最优K值。

全文数据：

权利要求：

百度查询： 绍兴文理学院 一种空地三维实景建模的最优K值确定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD