RT - Journal Article T1 - A novel approach to de-noising 3D point clouds using mean-shift based clustering algorithm JF - kntu-jgit YR - 2022 JO - kntu-jgit VO - 9 IS - 4 UR - http://jgit.kntu.ac.ir/article-1-609-fa.html SP - 1 EP - 18 K1 - point cloud K1 - noise removal K1 - sharp feature K1 - clustering K1 - Optimization K1 - threshold AB - 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. LA eng UL http://jgit.kntu.ac.ir/article-1-609-fa.html M3 10.52547/jgit.9.4.1 ER -