%0 Journal Article %A kamalou, sahar %A valadan zoej, mohammad javad %A hosseini naveh, ali %A youssefi, fahime %T A novel approach to de-noising 3D point clouds using mean-shift based clustering algorithm %J Journal of Geospatial Information Technology %V 9 %N 4 %U http://jgit.kntu.ac.ir/article-1-609-fa.html %R 10.52547/jgit.9.4.1 %D 2022 %K point cloud, noise removal, sharp feature, clustering, Optimization, threshold, %X ابرنقطه­ خام معمولا شامل نویز و نقاط پرت است، بنابراین چالش­هایی برای مدل­سازی و شبکه­بندی سطوح با استفاده از این داده­های سه­بعدی وجود خواهد­ داشت. همچنین حفظ جزئیات، در حین حذف نویز ضروری است. روش­های زیادی بمنظور حذف نویز از ابر نقطه، توسعه یافته­اند اما تنها تعداد کمی از آنها برای حفظ جزئیات در حین حذف نویز مناسب­اند. این مقاله، سعی بر ارائه­ یک روش حذف نویز آماری نوین، با قابلیت حفظ جزئیات را دارد. در روش پیشنهادی ارائه­ شده، ابتدا ابرنقطه با بکارگیری روش انتقال­میانگین خوشه­بندی می­شود و ازآنجایی­که نتیجه خوشه­بندی به اندازه­ پنجره­ جستجو بستگی دارد، اندازه بهینه­ این پنجره از طریق روش بهینه­سازی تپه­نوردی، محاسبه می­گردد. سپس در هر خوشه، فاصله بین هر نقطه با میانگین سایر نقاط آن خوشه محاسبه و با حدآستانه گذاری روی این فواصل و تعداد اعضای هر خوشه، نقاط نویز­ شناسایی و با حفظ جزئیات مانند لبه­ها، حذف می­شوند. نتایج تجربی حاصل از پیاده­سازی روش­ پیشنهادی بر روی سه دسته داده­ سه­بعدی تهیه شده توسط لیزراسکنر، نشان می­دهد که این روش نسبت به روش­ مشابه مطرح شده در پیشینه تحقیق از بهبود دقتی بالغ بر 1 درصد در ضریب صحیح بودن، 13 درصد در ضریب کامل بودن و 5/12 درصد در ضریب کیفیت، برخوردار بوده است. %> http://jgit.kntu.ac.ir/article-1-609-fa.pdf %P 1-18 %& 1 %! %9 Research %L A-11-52-2 %+ K. N. Toosi University of Technology %G eng %@ 2008-9635 %[ 2022