改进模糊C均值聚类提升TLS点云去噪与建模效率

"基于改进模糊C均值聚类的TLS点云去噪与建模"这篇论文由孙广通和宋萍共同撰写，发表在辽宁工程技术大学测绘与地理科学学院。文章针对上世纪八十年代兴起的三维激光扫描技术（TLS）进行了深入探讨。这项技术通过高速激光扫描方式高效收集被测对象表面的三维坐标数据，极大地提升了测量效率，但在处理高密度且散乱的点云数据时，去噪和建模仍然是一个挑战。 论文的核心内容围绕点云数据预处理展开，强调了对无序点云进行噪声去除和模型构建的重要性。作者引入了改进的模糊C均值聚类（FCM）方法，这是一种模糊聚类分析技术，最初由Bellman和Zadeh等人在1966年提出。原始的FCM算法因其简单易用和快速收敛性而广泛应用，但存在对初始聚类中心敏感、容易陷入局部最优的问题。为解决这些问题，论文提出引入模糊权重因子，这有助于调整点之间的相似度，更准确地识别噪声点。 在去噪的基础上，作者采用了一种改进的三角形生长法，基于包围球的策略来搜索邻域，构建地形镶嵌面（TIN），这种方法相对于传统方法显著减少了建网过程中的索引时间，从而提高了点云数据建模的效率。通过实验和分析，论文验证了这一方法的可行性和可靠性，为三维激光扫描数据的高效处理提供了新的解决方案。 这篇论文对基于改进模糊C均值聚类的TLS点云处理技术进行了创新性研究，对于提高三维扫描数据的质量、减少后期处理的工作量具有重要意义，是测绘技术和计算机视觉领域的重要贡献。