基于支持向量机的点云去噪研究

《基于支持向量机的点云去噪研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、CIassifiedlndex：Tf)391．41U．D．C：004．92SouthwestUniversityofScienceandTechno。ogy010IMasterDegreeThesiSResearchonPointCloudsDenoiSingBasedonSupportVectorMachineGrade：Candidate：AcademicDegreeAppliedfor：SpecialIty：Supervisor：2008ZhangOinMasterComputerApplicat

2、iontechnologyProfessorCaiYongApriI．15．2011独创性声明≮麟㈣199㈣8't04；i本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：吉k琴日期：厶1／．o六。／关于论文使用和授权的说明本人完全了解西南

3、科技大学有关保留、使用学位论文的规定，即：学校有权保留学位论文的复印件，允许该论文被查阅和借阅；学校可以公布该论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。(保密的学位论文在解密后应遵守此规定)签名：淤黟V『、．’／翩签名：j曲日期：为n移。f西南科技大学硕士研究生学位论文第1页摘要点云模型在逆向工程中的应用正受到越来越多的关注，随着激光扫描设备的更新换代，点云数据的采集工作也变得更简易可行，点云数据模型的质量也有所提升，但由于众多不可避免因素的存在，采集获得的模型数据会带有各种不同的

4、问题，噪声就是其中之一。点云数据模型的去噪问题是一个不容忽视的重要环节，是点云数据处理中首要解决的问题。噪声处理的好坏直接决定着模型重建的品质高低。在对点云去噪相关问题深入研究学习后，提出一种基于支持向量机的点云去噪方法，本文主要研究内容如下：(1)由于点云模型中点与点之间没有任何拓扑关系，使得对点云处理的时候，时间消耗很大，其大规模散乱无序的点云数据自身的特点制约着剔除噪声的速度，使用适合本文算法且简便实用的数据结构，提高点云使用效率。(2)提出引入支持向量机到点云去噪问题中，利用其最优超平面分割原理

5、，以及良好的统计特性，强大的泛化推广能力，准确、快速的识别出点云数据模型中的噪声，确保模型表达的精准性。(3)支持向量机使用的同时，提出结合分治整合策略。对点云数据模型首先实施分治的方法，再使用增量学习逐步对整个点云模型进行整合，包围盒技术整个贯穿于其中，从而提高训练准确度及速度。这样，一方面可以确保判别模型的可靠性，另一方面也减低了算法运行消耗的时间。实验结果表明，本文提出的噪声去除算法，通过判别模型能够识别出噪声点和非噪声点，高效的剔除噪声。此算法在去除噪声的同时并有效的保持模型原有特征。关键词：逆

6、向工程点云去噪支持向量机包围盒分治整合西南科技大学硕士研究生学位论文第1I页AbstractThepoint。cloudmodelisbeingmoreandmoreattentioninreverseengineeringfield．Withtheupdateoflaserscanningequipment，itbecomessimplerandmorefeasibleonacquiringpoint—clouddata．Inaddition，thequalityofthepoint-cloudmod

7、elhasbeenimproved．However,duetothepresenceofnumerousunavoidablefactors，itexistsalotofdifferentproblemswiththedatamodelwhenitiscollected，suchasnoise．Hence，thedenoisingofpoint-cloudmodelisanimportantpartthatcannotbeignored．Also，itistheprimaryproblemtobesol

8、vedinpoint—clouddataprocessing．Thequalityofthenoiseprocessingdirectlydeterminethelevelofreconstructionmodel．Afterdeeplystudyingrelatedproblemsofpointcloudsdenoising，hasthispaperproposeanalgorithmofpointcloudsdenoisingbased