提出了一种基于高斯映射的K均值方法,先对目标点进行k近邻搜索,再对由目标点及其近邻点组成的三角形集合的单位法向量进行高斯映射。选用轮廓系数作为聚类有效性指标,确定出最佳聚类数,根据不同曲面聚类分布的规律,得到三维激光点云模型的特征线。对比实验结果表明,所提方法评价指标简单易用且噪声少,可以完整高效地提取出规则点云以及不规则点云的特征线。

基于光谱表示法颜色近邻搜索的核心是高维向量近邻搜索, 相似性度量和索引树构建是影响其性能的关键, 前者存在等距性问题, 后者存在构建困难、 查询效率低、 不易动态调整等问题, 从而严重影响颜色近邻搜索算法的性能。 使用NPsim函数计算颜色相似性, 结合有序矩阵组织颜色空间数据, 提出一种基于有序NPsim矩阵的颜色近邻搜索算法。 首先, 计算颜色空间中所有颜色之间的NPsim值, 构建反映所有颜色相似性关系的NPsim矩阵; 然后, 按照每种颜色与其他颜色的相似性, 对NPsim矩阵的每行元素降序排列, 从而得到反映每种颜色与其他颜色相似性大小关系的有序NPsim矩阵; 最后, 对于颜色空间中任意给定的颜色, 根据它在有序NPsim矩阵中的行号, 就能够直接找到该颜色的所有近邻。 采用蒙赛尔全光泽色系光谱构建有序NPsim矩阵, 同时建立KD树和SR树, 分别进行K近邻搜索, 并从精度和速度两方面比较。 在精度方面, 本算法得到的颜色近邻与查询颜色距离最近、 相似性最好, 存在逆序现象的近邻个数最少; 在速度方面, 构建有序NPsim矩阵的时间比构建KD树和SR树的时间要长, 但近邻搜索速度是KD树/SR树的1万倍左右, 而且与K值无关; 此外, 构建有序NPsim矩阵易于并行化, 而构建KD树和SR树不易并行化, 并行化后构建有序NPsim矩阵的速度会超过构建KD树和SR树的速度。 实验结果表明该方法适用于颜色近邻搜索。