数据密集型计算环境下的离群点挖掘算法

在数据密集型计算环境中,数据的海量、高维、分布存储等特点,为数据挖掘算法的设计与实现带来了新的挑战。基于MapReduce模型提出网格技术与基于密度的方法相结合的离群点挖掘算法,该算法分为两步：Map阶段采用网格技术删除大量不可能成为离群点的正常数据,将代表点信息发送给主节点;Reduce阶段采用基于密度的聚类方法,通过改进其核心对象选取,可以挖掘任意形状的离群点。实验结果表明,在数据密集型计算环境中,该方法能有效的对离群点进行挖掘。     

基于特征融合的林下环境点云分割

针对林下环境几何特征的复杂性,以及基于边检测、表面增长和聚类分割方法存在的效率低、分割不足及过度分割等问题,提出了一种基于特征融合的点云分割方法。采用地面激光扫描仪FARO在北京林业大学选择样本区域进行扫描,对扫描得到的数据进行采样点剔除及滤波,得到由1166302个点组成的林下环境点云数据,主要包括林木、地面、石块、人4类目标。综合利用点云法向量信息和激光反射强度信息可实现点云分割。其中,点云激光反射强度可直接从扫描得到的点云数据中获取;法向量可根据点云数据的三维坐标信息,通过对点云数据建立kd-tree数据结构,执行k-邻域搜索,并基于PlanePCA算法计算得到。将点云法向量和激光反射强度2方面的特征优势进行融合,计算中心点与邻域点的综合相异度,并判断其是否在阈值范围内,最终实现点云分割。比较基于特征融合、法向量和激光反射强度3种聚类分割方法得到的分割结果可知,基于特征融合的聚类分割方法能较好地保留数据特征,且分割完整度明显优于其他2种方法。      

基于深度信息的植株叶面积估算方法

为实现低成本无损精确测量植株叶片面积,提出了一种基于TOF深度相机的植株叶片三维重建测量面积的方法。首先,采用Kinect v2相机获取植株三维点云数据;其次,通过背景差法去除背景点云、通过基于搜索半径和邻域内点云数相结合法去除离群点,实现点云预处理;然后采用FPFH特征初始配准和ICP算法精确配准16个角度点云,通过欧氏聚类实现植株叶片分割;最后采用滚球算法重建叶片表面网格模型,统计网格数量求得叶片面积。与传统坐标纸法比较,本研究方法测量叶片面积误差平均百分比为2.54%,试验结果表明,本方法成本低精确度高,可以满足植株叶片面积的无损测量需求。     

树干与地面点云分类K-means方法的改进

随着激光雷达的发展,树木点云数据的获取更加简便、准确。为了实现树木点云的树干与地面分类,对K-means方法进行改进,通过计算高度和强度直方图确定k值和初始聚类中心点,用高度距离做聚类分析,实现单株树木原始三维点云数据聚类。结果表明:采用MATLAB对香椿树的31 394个点云数据和油松树的14 260个点云数据,分别进行了直方图处理和不同距离的目标函数做聚类分析的试验,得到树木点云数据的分类结果,并与DBSCAN算法和传统K-means算法结果对比分析,说明改进K-means方法,能够使得树干与地面更好的分离,提高了效率;采用改进的K-means方法对12颗树木点云进行应用分析,验证了方法的普适性,最终分类结果达到了树干与地面分离的标准。     

基于激光扫描的蔬菜种子形态特征测量方法研究

蔬菜种子的形态特征测量在评估种子质量的过程中起着重要作用,但由于蔬菜种子体积小、形状不规则,测量精度很难提高。为了实现蔬菜种子形态特征的精确测量,提出了基于激光扫描的蔬菜种子形态测量方法。利用激光扫描技术采集种子的三维点云数据,应用近邻点距离传播算法对点云进行噪声滤波处理,并采用移动最小二乘法和重采样算法进行平滑处理及漏洞修复,通过贪婪投影三角化算法构建蔬菜种子表面的三角网格模型,计算种子的体积值和表面积值,通过生成模型的OBB包围盒得出种子的长宽厚值,并与用千分尺测量的结果进行对比,计算值与人工测量值的差值均0.1mm,相对误差均2%。实验结果证明了基于激光扫描的蔬菜种子形态特征测量方法的准确性和有效性。     

基于OpenGL的LiDAR数据处理模块设计与实现

针对目前海量LiDAR数据处理涉及问题复杂、多数算法保密的问题,研究了基于OpenGL技术构建LiDAR数据处理模块的方法,并对模块构建过程中涉及的关键技术,包括LAS格式数据读取、基于OpenGL的LiDAR点云显示、改进的多级移动曲面拟合LIDAR数据滤波算法的实现进行了深入研究。为验证该模块处理LiDAR三维点云数据的正确性,利用该模块进行了LiDAR点云的二维显示、三维显示、滤波处理等。试验结果表明:本研究所开发的LiDAR数据处理模块能够快速、正确的显示和编辑LiDAR点云数据,且有高精度的LiDAR点云滤波结果。     

森林区域机载LiDAR点云数据的改进八叉树滤波算法研究

目的利用机载LiDAR点云数据能准确获取地物点三维坐标的特点,本文对森林区域LiDAR数据进行滤波分析,旨在提高点云滤波精度。方法基于改进的八叉树模型,将复杂地形分解为大量山坡地形,通过改变节点尺寸,既保留了点云的原始信息,又增强了点云数据分割的准确性。针对森林区域地形起伏不定的实际情况,在滤波算法中引入坡度判断,在一定程度上改善了山坡低矮植被易被错分为地面点的情况。结果对于3组不同地形下的点云数据,滤波总错误率分别为4.57%、4.75%和5.83%。这一结果对森林区域不同地形下的点云滤波具有一定的实用性。结论本文提出的改进八叉树滤波算法可以充分利用数据结构特征实现快速、高精度的滤波,从而节约时间成本和运行成本,也为后续森林参数的提取奠定基础。      

基于近邻几何特征的TLS林分点云分类研究

目的在地面激光雷达点云分类任务中多存在特征维度较高的问题，然而当点云数量较多，分类任务中构造较高维度的特征往往需要较多的计算成本和运行内存。为了解决这一问题，本研究提出用近邻点构造5个几何特征训练成熟分类器，以期在将林分点云分为地面、树干与枝叶3个类别的同时达到降低特征维度的目的。方法在构造特征的过程中采用近邻值为140的快速KDtree搜索近邻点，获得近邻点后利用其计算协方差矩阵特征值、法向量、曲率、方差和最大高程差构造5个几何特征训练分类器。为了检验本研究构造的特征在林分点云分类中的稳定性，分类器分别采用随机森林和xgboost做比较研究。本研究的实验数据均来自地面激光雷达扫描获得的单站蒙古栎人工林点云数据。结果使用随机森林和xgboost分类器训练的模型在测试集中正确估计样本数量和样本总量的比值分别为0.932 1和0.936 3。这两个分类器在地面、树干和枝叶这3个类别中的查准率达到0.97、0.93、和0.91以上，且在这3个类别中的分类结果中xgboost较随机森林均有千分级的优势。结论结果表明本研究构造的特征能够完成林分点云分类任务，在保证点云分类准确率的基础上，既减少了特征维度，又有助于提高特征计算效率，具有较高的稳定性。本研究的分类结果可为林分参数反演和生物量估计等研究奠定基础。      

遮挡情况下目标三维点云的提取研究

针对三维信息提取过程中的遮挡问题,提出利用多基线数字近景摄影测量方法进行多光线的影像匹配,基于遮挡区域约束的三维点云滤波算法,即去除了遮挡目标,又可提取部分被遮挡区域的三维数据点。试验表明,该方法适应了空间分布的不连续性,在遮挡情况下较好地解决了目标的遮挡问题,同时多方向交会使前方交会具有冗余观测,增加了三维数据点的可靠性。     

基于差分计算的林木测量二维点云数据滤波

为滤除激光扫描仪获取的林地采育作业环境的无效数据,从原始数据中抽取出目标立木的数据,需要对扫描仪获取的数据进行滤波处理。将差分方法应用于数据滤波,通过MATLAB编程实现滤波算法并对其关键阈值进行分析研究。结果表明,在32m的扫描范围、0.5度的分辨率的条件下,设定有效点个数为3～40个,阈值为200(mm)时,可以把目标立木从原始信号数据中有效过滤出来。     

散乱点云分割技术研究与实现

点云分割是根据空间、几何和纹理等特征对点云进行划分,使得同一划分内的点云具有相似的特征。首先对获取的散乱点云数据进行去噪、填补空洞和畸变等预处理,然后计算最小包围立方体分割点云空间并构建八叉树加速邻域点的搜索,为每个点构造最小二乘邻域,分析散乱点云数据的高斯曲率和平均曲率,再通过区域生长法得到低噪声的精确分块,自适应、智能化地对点云进行分块。经实验验证,该方法可以获得较好的分割效果。     

基于MVS序列图像的油菜三维模型

为实现油菜作物模型的可视化研究,给油菜作物的数字化管理提供数据基础,以感染虫害的苗期油菜为研究对象,采用MVS序列图像技术,搭建MVS技术的序列图像采集平台。根据SFM和PMVS算法获得虫害油菜的稀疏点云数据和稠密点云数据,同时,探索序列图像数量对于特征点匹配的影响。对MVS序列图像技术获得的虫害油菜三维点云数据,采用滤波、精简、Alpha-Shape曲面重建等处理,得到虫害油菜的三维形态曲面模型。结果显示,使用图像数目多和8邻域匹配两者相结合的方法可以又快又好地匹配图像特征点;在获得合适的Alpha值情况下,Alpha-Shape算法可以真实形象地表现出虫害油菜的生长状态。     

基于形态学的机载LiDAR点云滤波研究

SMRF算法又称改善的简单形态学滤波算法,该算法相比以往算法有较高的滤波精度,效率高.该研究从点云格网化、迭代开运算和原始点云滤波3个方面分析SMRF算法的优势,并针对该算法最大窗口半径参数确定难的问题,提出了基于高次曲线极值的滤波窗口探测的形态学机栽云滤波,通过程序自动寻找最优最大滤波窗口半径,摆脱了以往需要人工确定形态学滤波开运算的最大滤波窗口问题.实验表明该方法是可行的,这不仅降低了参数输入的门槛,而且滤波精度较高,这对机载激光雷达点云数据后处理向着自动化处理发展具有重要的意义.     

基于改进高斯滤波算法的叶片图像去噪方法

[目的]使用改进的自适应高斯滤波算法对农作物叶片病虫害图像进行降噪处理,为叶片病虫害图像提供前期预处理的优化手段,从而提高诊断的准确性.[方法]通过计算图像像素矩阵区域内中心点邻域方差与二维高斯滤波函数的比值,确定高斯标准差,动态生成高斯卷积核,从而形成改进的自适应高斯滤波算法,对病斑图像进行降噪平滑处理;然后分别模拟不同噪声强度,比较算法的降噪效果;最后通过峰值信噪比(Peak signal-to-noise ratio,PSNR)定量计算改进前后高斯滤波算法的优化程度.[结果]首先,使用MATLAB 2014b对密刺黄瓜枯萎病斑RGB图像模拟出3组不同噪声强度下的干扰场景,并进行归一化处理;然后,分别利用3种算法对噪声图像进行降噪处理,得出当噪声强度较弱时,改进算法对高斯白噪声抑制效果明显;噪声强度增大时,改进算法的优化程度逐渐下降;其次,分别计算各算法改进前后的PSNR,得出当噪声强度为0.01、0.02和0.03时,即改进的自适应高斯滤波算法PSNR值分别比传统高斯滤波提升6.942、6.965和6.718 db;最后,通过计算100组采集叶片图像降噪处理后的PSNR值,得到改进的自适应高斯滤波的PSNR值平均提高13.8%.[建议]采集的农作物叶片图像试验材料需广泛化;推动优化图像预处理的进程;提升图像匹配准确性,推动叶片诊断专家系统的研究.     

基于点云数据的树冠体积自动求算方法

树冠体积是生物量、三维绿量测算的重要参数。针对树冠拓扑结构复杂,现有方法提取精度差、自动化程度低的问题,提出一种利用激光点云数据自动获取树冠体积的新方法。以树木点云数据为基础,运用扇形面积逼近和不规则体切片分割累加算法,实现树冠体积的自动计算。对试验区树木进行测量计算,并与传统方法、基于点云的手动测量法分别进行对比分析。结果表明,基于点云数据自动计算树冠体积的方法实现了单木树冠的无损自动计算,不但节省了人力,而且在计算精度方面提高了6.17%,具有一定的实践意义和应用价值,可以为树冠结构的研究提供参考。     

基于视觉滤波算子的农业图像去噪研究

[目的]农业图像中难免存在噪声,噪声会干扰有用目标的识别。为了准确提取农业图像中的有用信息,拓展图像处理技术在农业工程中的应用,有必要去除农业图像中的噪声。[方法]本文将一种改进的中值滤波与视觉滤波LOG算子结合起来,用于对农业图像进行去噪。首先,通过LOG算子将图像分为边缘图像和非边缘图像,然后采用一种改进的加权中值滤波处理非边缘图像,边缘图像与处理后的非边缘图像融合为最终的去噪图像。[结果]利用本算法对农业图像进行测试,与传统的中值滤波算法进行对比,并采用峰值信噪比作为滤波算法性能的客观评价指标,本算法的峰值信噪比高于传统中值滤波算法8.15%,有更好的降噪效果。[结论]因此,该算法的滤波效果优于传统中值滤波算法,可有效去除农业图像中诸多因素产生的噪声。     

农作物基于点云的三维重建方法研究

随着数字农业的飞速发展,农作物的三维重建技术在农业中应用越来越广泛。研究农作物三维立体信息,对作物的种植、修剪、药物喷洒以及产量变化规律等方面的研究具有指导性意义。点作为最简单的图元,可以真实地记录物体表面的三维立体信息,较为精确地表示出物体的形态特征。因此,对三维点云的处理及重建技术进行研究就尤为必要。基于点云的预处理及重建技术是虚拟现实、计算机图形学和计算机视觉等多个学科交叉的一个研究领域,其主要研究内容是将点云记录的三维物体的几何信息恢复成图形图像,并通过计算机显示出来,进而可以方便快速地对物体进行分析、显示和处理。本文以大豆植株为研究对象,利用Kinect深度传感器获取农作物的点云数据,研究点云数据预处理、去噪的方法,对不同方位的点云数据进行配准,以及点云数据快速三维重建的方法。本文研究能够为快速获取植物三维点云数据,并实现植物三维形态的重建提供一种廉价、快速和高效的手段。     

基于双目视觉的作物点云获取与分割定位方法

为了提高农业视觉导航系统对作物定位的精确性,提出了一种基于双目视觉的作物点云获取与分割定位方法。该方法采用ZED双目相机采集作物左右视图,通过视差原理获取作物的3D点云数据,利用点云离散程度和体素化网格方法对初始点云数据的离散点和冗余数据进行去除,然后在预处理后的点云图中利用基于点云法线角度差的区域生长分割出每株作物的点云簇,用每个点云簇中所有点的平均坐标值作为该株作物的三维坐标,结合视觉系统坐标系,计算出作物与相机的水平距离以及水平偏角,从而实现作物定位。试验结果表明,该方法测得的作物平均距离误差为1.89%,平均角度误差为2.17%,该算法可以对作物进行准确定位,为基于双目视觉导航的路径规划提供可靠的定位信息。     

农作物病害图像清晰化处理算法的应用

农作物视频监控图像由于受到拍摄时光照不均匀的影响以及在图像传输、解码、存储过程中不可避免地会混入一定程度的随机噪声,导致图像对比度下降,图像中的目标物难以准确辨认。因此,在对多方向中值滤波算法(MMF)基本原理深入研究的基础上,提出一种改进自适应多方向中值滤波算法。该算法首先提出一种噪声检测方法实现对图像中噪声的识别并加以标记,然后对图像中的噪声点分别进行水平、垂直、对角等4个方向的中值滤波,然后对获得的滤波值集合分别求取其最大(小)值、平均值、中间值以及与噪声点像素值组成新的集合,最后求取该新集合的中间值并作为最终的滤波结果。采用实地拍摄的2幅农作物病害图像进行算法测试,结果表明本算法与中值滤波以及MMF相比具有一定的优势与实用性。     

小波分析在振动攻丝扭矩信号滤波中的应用

介绍了小波分析理论及小波变换的快速算法 ,讨论了该理论在振动攻丝扭矩采样信号滤波中的应用 ,通过对所获得的扭矩信号进行小波变换 ,将其分解成若干个互不重叠的频带 ,利用阈值量化处理的方法去除噪声 (高频信号 ) ,再将剩余部分进行重构 ,形成了抑制噪声的滤波信号 .实验结果表明 ,该方法对采样信号进行滤波是十分有效的 ,对提高扭矩测量值的计算精度很有利