改进的 K-means 聚类算法

求散乱点中特定点的高斯曲率和平均曲率，使用点最近的五个点计算

提出了一种基于Delaunay三角剖分的三维散乱点云快速曲面重建算法。算法首先计算点云的Delaunay三角剖分, 从Delaunay四面体提取初始三角网格, 根据Voronoi体元的特征构造优先队列并生成种子三角网格, 然后通过区域生长的方式进行流形提取。实验结果表明, 该算法可以高效、稳定地重构具有复杂拓扑结构、非封闭曲面甚至是非均匀采样的点云数据。与传统的基于Delaunay的方法比较, 该算法仅需要进行一次Delaunay三角剖分, 无须极点的计算, 因此算法的重构速度快。

用于三维点云的精简.基于MATLAB实现在保留三维数据特征的情况下进行点云的下采样。

对不具有拓扑结构的散乱点云数据，首先采用基于KD-tree的改进算法进行邻域点集的提取。然后用最小二乘法对提取出的邻域点集进行平面拟合，把邻域点集里的点投影到拟合平面上使其投影点具有拓扑结构，并得到投影点坐标数据。再对拟合平面上的投影点进行向量构建，找出两相邻向量之间的夹角。最后根据夹角的大小来确定边缘点，完成散乱点云数据的边缘快速提取。

一种改进Ball Pivoting的散乱点云数据重建算法

三维可视化体积计算基本上都是先由散乱点云构建出表面网格模型，然后基于网格模型计算体积，存在计算 量大、速度慢的缺点．针对此问题提出一种快速体积计算法，首先使用改进的增量式 Delaunay 三角剖分对散乱点云进 行四面体剖分；然后利用 K 近邻计算散乱点的拟合曲面和最小生成树，得到各点的法向量；由各点法向量剔除体外四 面体；最后计算各四面体体积之和从而得到总体积．实验表明，该算法不仅保证了计算准确度，而且较传统算法大大提 高了效率．

业分类-物理装置-一种散乱点云快速法矢定向方法.zip

本文在详细研究和分析了典型的Delaunay三角剖分算法的思想后，针对增量 算法中的关键问题提出改进的方法，从降低算法的时间复杂度的角度出发，以点 定位搜索这一关键问题为切入点，提出新的改进搜索的方法，该算法利用四面体 三角面的法矢与该面的点到插入点之间形成的向量的夹角来确定定位方向，不需 额外的搜索数据结构，且对于每个搜索四面体只需三个面的法矢和夹角的计算， 减少了搜索过程中的计算量，且定位的路径较优，有效提高了算法的效率，使整 个Delaunay三角剖分算法的时间复杂度约为O(N‘·‘2)，接近线性时间。

数学建模获奖论文—城市表层土壤重金属污染分析，内含完整MATLAB实现kriging的插值方法和熵权法实现代码