共查询到19条相似文献，搜索用时 140 毫秒
1.
分带K-均值聚类的平面标靶定位 总被引：1，自引：0，他引：1
提出了一种分带K-均值聚类的平面标靶定位方法.根据标靶与测站距离的限制条件,推导了较大噪声点的剔除公式,在整体最小二乘拟合平面的基础上增加了噪声点二次剔除的方法,对经过噪声点剔除的点云数据进行分带、聚类处理.同时,对每一带的聚类中心进行均值化处理,得到每一带的中心点,通过求取不同带中心的均值来确定标靶中心点.实验结果表明,分带K-均值聚类的平面标靶定位模型较适合于平面标靶同名点确定. 相似文献
2.
针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。 相似文献
3.
针对K-均值聚类存在的初始聚类中心不稳定、聚类数目难以确定的问题,提出利用正交投影散度(OPD)优化K-均值算法的初始聚类中心,设计了RD指标函数用于估计聚类数目k。将所提出的算法应用于高光谱影像特征提取与端元提取分析,实验结果表明,所提出算法的性能高于已有的类似算法。 相似文献
4.
5.
基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法. 相似文献
6.
多尺度点云噪声检测的密度分析法 总被引：1，自引：1，他引：0
当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。 相似文献
7.
8.
9.
10.
针对空间聚类过程中存在障碍实体的问题,提出了改进的K-中心点空间聚类算法,提高了算法的执行效率,解决了限制条件下空间聚类问题,使得聚类结果更具实用性。 相似文献
11.
ADCN: An anisotropic density‐based clustering algorithm for discovering spatial point patterns with noise 
下载免费PDF全文
下载免费PDF全文 Density‐based clustering algorithms such as DBSCAN have been widely used for spatial knowledge discovery as they offer several key advantages compared with other clustering algorithms. They can discover clusters with arbitrary shapes, are robust to noise, and do not require prior knowledge (or estimation) of the number of clusters. The idea of using a scan circle centered at each point with a search radius Eps to find at least MinPts points as a criterion for deriving local density is easily understandable and sufficient for exploring isotropic spatial point patterns. However, there are many cases that cannot be adequately captured this way, particularly if they involve linear features or shapes with a continuously changing density, such as a spiral. In such cases, DBSCAN tends to either create an increasing number of small clusters or add noise points into large clusters. Therefore, in this article, we propose a novel anisotropic density‐based clustering algorithm (ADCN). To motivate our work, we introduce synthetic and real‐world cases that cannot be handled sufficiently by DBSCAN (or OPTICS). We then present our clustering algorithm and test it with a wide range of cases. We demonstrate that our algorithm can perform equally as well as DBSCAN in cases that do not benefit explicitly from an anisotropic perspective, and that it outperforms DBSCAN in cases that do. Finally, we show that our approach has the same time complexity as DBSCAN and OPTICS, namely O(n log n) when using a spatial index and O(n2) otherwise. We provide an implementation and test the runtime over multiple cases. 相似文献
12.
13.
An adaptive dual clustering algorithm based on hierarchical structure: A case study of settlement zoning 下载免费PDF全文
下载免费PDF全文 Traditional dual clustering algorithms cannot adaptively perform clustering well without sufficient prior knowledge of the dataset. This article aims at accommodating both spatial and non‐spatial attributes in detecting clusters without the need to set parameters by default or prior knowledge. A novel adaptive dual clustering algorithm (ADC+) is proposed to obtain satisfactory clustering results considering the spatial proximity and attribute similarity with the presence of noise and barriers. In this algorithm, Delaunay triangulation is utilized to adaptively obtain spatial proximity and spatial homogenous patterns based on particle swarm optimization (PSO). Then, a hierarchical clustering method is employed to obtain clusters with similar attributes. The hierarchical clustering method adopts a discriminating coefficient to adaptively control the depth of the hierarchical architecture. The clustering results are further refined using an optimization approach. The advantages and practicability of the ADC+ algorithm are illustrated by experiments on both simulated datasets and real‐world applications. It is found that the proposed ADC+ algorithm can adaptively and accurately detect clusters with arbitrary shapes, similar attributes and densities under the consideration of barriers. 相似文献
14.
According to spectral homogeneity and ribbon-like shape of road, this letter presents a simple yet effective method of delineating road networks from high-resolution remote sensing images. The proposed method consists of three main steps. First, the mean shift algorithm is utilized to detect the modes of density of image points in spectral–spatial space which contain potential road center points and then detected mode points are classified into different classes by mean shift-based clustering on the basis of spectral information. Next, the combination of Gabor filtering and tensor encoding is used to identify the road class and to extract road center points. Lastly, road network is generated from detected road center points by means of tensor voting and connected component analysis. The experimental results demonstrate good performances of the proposed method in road network extraction from high-resolution remote sensing images. 相似文献
15.
16.
区域Gamma混合模型的SAR图像分割 总被引：1，自引：0，他引：1
针对传统Gamma混合模型用于SAR图像分割时忽略像素间空间相关性,导致分割结果不连续并产生大量误分割的现象,提出了区域Gamma混合模型的SAR图像分割算法。首先对图像进行分水岭分割,得到过分割区域块,然后将其作为输入样本进行基于Gamma混合模型的聚类,在模型的参数估计过程中进一步考虑区域间的空间相关性,设计邻域因子融入到迭代过程,得到邻域加权类分布概率。该算法充分利用像素间的空间相关性,能够降低噪声对分割结果的影响。通过合成图像和真实SAR图像的实验表明,本文算法能够实现SAR图像的准确分割。 相似文献
17.
一种基于LiDAR点云的建筑物提取方法 总被引：2，自引：0，他引：2
从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。 相似文献
18.
空间点聚类依据空间点实体属性对其进行分类划分,挖掘对研究应用有价值的信息。目前,空间点聚类大多数方法能够发现多边形簇,但不能发现线状簇。针对空间点聚类现有方法在发现线状簇方面的不足,借鉴滚球法的思想,提出滚圆法用于空间点聚类的研究算法（spatial point clustering using the rolling circle,SPCURC）。针对研究区域的点实体,该算法用给定半径的圆从初始点开始按照原则进行滚动,直至满足条件为止;连接滚圆接触的点,从而形成多边形簇或者线状簇。通过模拟算例和实际算例验证了该算法的可行性。 相似文献
19.
ICESat-2 ATL08去噪算法实现及精度评价 总被引：1，自引：0，他引：1
针对光子计数激光点云特点，研究实现了ICESat-2卫星ALT08技术文档点云去噪算法与精度评估。首先逐点计算目标点邻域范围内点的总数作为局部密度值，由于信号通常比噪声在空间分布上更集中，密度直方图常呈噪声在左、信号在右的双峰特点；然后通过峰值计算、距离判断等计算噪声与信号高斯函数初值，并采用高斯函数加期望方差最大算法拟合两个精确的波形位置；最后将双高斯函数交点位置作为去噪阈值，小于阈值的点标记为噪声，大于阈值的为信号。通过MABEL数据的试验结果表明：当信号噪声呈现典型双峰分布特征时，算法去噪效果优秀，精度优于98%，处理不符合双峰特征数据时效果变差。 相似文献