针对鲸鱼优化算法（WOA）容易陷入局部最优解、收敛速度慢等缺陷，提出一种基于小孔成像反向学习策略的鲸鱼优化算法。首先采用高斯映射生成的混沌序列取代原始算法中随机产生的初始种群，增加种群的多样性；其次，提出了一种小孔成像反向学习策略，并结合最优最差反向学习思想，增加了寻优位置的多样性，提高了算法跳出局部最优的能力；最后，在算法中加入了一个非线性收敛因子和一个对数形式的概率阈值，在保留鲸鱼算法优点的前提下，协调了算法的全局搜索和局部开发能力。通过对10个基准函数进行仿真测试，实验结果表明改进算法在收敛速度和收敛精度等方面有明显的提高。

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。

一篇15年文章的复原，先用kmeans均匀分块，然后高斯映射，然后meanshift精简。其中meanshift是固定阈值的，没加核函数。