CN116012539A - 一种无人机与激光检测结合对气团三维成像的计算方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种无人机与激光检测结合对气团三维成像的计算方法，包括：使用无人机采集多角度数据，生成气体浓度平面分布图，获取每个数据点的隶属度，构建邻域密度修正系数，获取数据点修正系数，根据修正系数确定消除数据点数量。根据消除数据点数量，对数据点进行消除。使用DensityPeaks密度峰聚类算法剔除背景噪点，完成图像去噪。本发明提出了一种无人机与激光检测结合对气团三维成像的计算方法，针对传统局部密度聚类算法中，噪声和测点混杂时去噪难度大的问题，优化了在邻域范围内计算邻域密度时的真实性，避免了局部最优侧重以及经验阈值的主观性问题。

Description

一种无人机与激光检测结合对气团三维成像的计算方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种无人机与激光检测结合对气团三维成像的计算方法。

背景技术

近年来，在气体检测领域TDLAS技术得到了广泛应用，该技术具有分辨率高、选择性强、响应速度快、寿命长等特点。很多易燃易爆有毒气体潜在危害极大，如果这些危险气体一旦发生泄露却没有被及时发现将对能源开采运输、化工企业生产和大气环境等造成威胁。

现有利用无人机搭载激光雷达对输油输气管进行巡逻监测的方法，通过多角度激光数据对泄漏气体进行三维图像重建，然后计算泄漏气体的浓度值，然而三维图像的成像质量与单角度采集点云数据的准确度有直接关系，尤其高灵敏度激光探测器不可避免存在较大背景噪声，三维成像图会出现严重失真，对泄漏气体的浓度监测结果错误，传统点云数据去噪算法分为两类，一类为利用数字影像技术对栅格化的点云数据进行处理，一类为直接根据局部点云之间的统计量设置判断阈值，前者多为无差别去噪，存在误差较大的问题，栅格化过程也会损失有效信息；后者则存在由于统计量增加，导致全局阈值设置困难的问题。

发明内容

本发明提供了一种无人机与激光检测结合对气团三维成像的计算方法，以解决现有的问题。

本发明的实施例采用如下技术方案：

本发明一个实施例提供了一种无人机与激光检测结合对气团三维成像的计算方法，该方法包括以下步骤：

无人机采集多角度数据并生成气体浓度平面分布图；

在气体浓度平面分布图上划分出聚集区域和背景区域，将聚集区域内每个数据点在邻域范围内所包含的数据点数量记为每个数据点的邻域密度；

获取聚集区域内每个数据点的匹配项以及匹配项个数，根据每个数据点的匹配项以及匹配项个数获得每个数据点与匹配项的平均欧式距离，记为第一距离，根据每个数据点的邻域密度以及每个数据点的最短距离获得每个数据点的平均最短距离，记为第二距离；获取每个数据点与匹配项的平均亮度差异，根据第一距离与第二距离的比值、匹配项个数以及平均亮度差异获得每个数据点的隶属度；

按照隶属度由小到大将所有数据点排列获得隶属度序列，从左到右依次消除隶属度序列中的每个数据点，将消除到的数据点记为消除数据点，将隶属度序列上消除数据点右侧所有数据点记为未消除数据点，将所有未消除数据点的隶属度的均值记为消除数据点的第一平均隶属度，根据每个未消除数据点的最短距离获得每个未消除数据点的对照值，根据消除数据点的第一平均隶属度以及所有未消除数据点的对照值的方差得到消除数据点的修正系数，根据所有数据点对应的修正系数获取所有聚集区域数据点的平均修正系数，将平均修正系数最大的消除数据点记为目标数据点，将隶属度序列中目标数据点及目标数据点左侧的数据点删除，将隶属度序列中剩余的数据点记为修正数据点；

将所有修正数据点和背景区域的所有数据点输入到密度峰聚类算法中去除噪点得到去噪后的气体浓度平面分布图，根据去噪后的气体浓度平面分布图进行三维成像。

进一步的，所述在气体浓度平面分布图上划分出聚集区域和背景区域，包括的具体步骤如下：

使用SLIC超像素分割算法对气体浓度平面分布图进行划分，获取分割后的超像素块，使用大津阈值算法根据超像素块区域内数据点的平均浓度将所有超像素块分割为两个类别，获取每个类别中所有超像素块区域的平均数据点浓度的第一均值，将第一均值最大的类别中的超像素块区域作为聚集区域，剩余超像素块区域作为背景区域。

进一步的，所述获取聚集区域内每个数据点的匹配项以及匹配项个数，包括的具体步骤如下：

对于任意一个数据点A，在其他所有数据点中，如果数据点B与数据点A的欧式距离最近，那么B称为A的匹配项，获得所有数据点的匹配项，如果有m个数据点的匹配项都是A，那么A的匹配项个数设置为m。

进一步的，所述根据第一距离与第二距离的比值、匹配项个数以及平均亮度差异获得每个数据点的隶属度，包括的具体步骤如下：

其中，i为任意一个数据点，c为数据点i的任意一个匹配项，为数据点i的所有匹配项个数，为数据点i与数据点i的第c个匹配项的欧式距离，n代表数据点i的邻域密度，s代表数据点i所在邻域范围内第s个数据点，代表邻域范围内任意一个数据点的最短欧式距离，代表第i个数据点在气体浓度平面分布图中的亮度值，代表数据点i的第c个匹配项的亮度值，表示以自然常数为底的指数函数，表示第i个数据点的隶属度。

进一步的，所述根据消除数据点的第一平均隶属度以及所有未消除数据点的对照值的方差得到消除数据点的修正系数，包括的具体步骤如下：

其中，代表根据隶属度序列由小到大依次消除的数据点序号，y表示消除到第个数据点时数据点邻域中的第y个数据点，为消除至第个数据点时，数据点邻域范围内的数据点总数，表示消除至第个数据点时，数据点邻域中第y个数据点对应的隶属度，为消除至第个数据点时，数据点邻域内所有数据点的平均隶属度，记为第一平均隶属度，表示消除至第个数据点时，数据点邻域范围内任意一个数据点y与其他所有数据点的最短欧式距离，为消除至第个数据点时，数据点邻域范围内第y个数据点的对照值，表示消除至第个数据点时数据点的修正系数，表示求方差的函数，N表示隶属度序列的长度。

进一步的，所述密度峰聚类算法中需要使用聚类中心距离和局部密度，包括的具体步骤如下：

密度峰聚类算法中需要使用的参数分别是聚类中心距离和局部密度，其中聚类中心距离的计算方法为：对所有数据点的邻域密度进行排序，对于邻域密度最大数据点的聚类中心距离为该点至邻域密度最小数据点的距离，对其他数据点的聚类中心距离为该数据点至大于该点邻域密度的集合中，与距离最小的那个数据点之间的距离；局部密度等于聚集区域内消除后的数据点与背景区域中数据点中每个数据点的邻域密度。

本发明的技术方案的有益效果是：本发明针对传统局部密度聚类算法仅能消除点云数据中的背景噪声，噪声和测点混杂时去噪难度大的问题，提出随机噪声在均匀度较好的测点分布图中对于其邻域结构和邻域数据类均存在一定程度破坏，来构建每个点对于邻域密度的隶属度，并增加惩罚项解决局部最优侧重问题，将隶属度由低到高进行消除。相比于传统局部密度聚类算法，我们优化了在邻域范围内计算邻域密度时的真实性，将隶属度较低的数据点认为可疑噪点进行消除，并通过设置惩罚项按隶属度由低到高进行消除，避免了局部最优侧重以及经验阈值的主观性问题。将混杂噪点和背景噪点均有效进行消除，大幅提高了无人机采集数据的真实性，以及后续重建气体三维图像的可信度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种无人机与激光检测结合对气团三维成像的计算方法的步骤流程图；

图2为数据点分布图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种无人机与激光检测结合对气团三维成像的计算方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种无人机与激光检测结合对气团三维成像的计算方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种无人机与激光检测结合对气团三维成像的计算方法的步骤流程图，该方法包括以下步骤：

步骤S001、使用无人机采集多角度数据，生成气体浓度平面分布图。

操控无人机环绕泄漏气团进行多角度数据采集，无人机载激光气体检测仪内置检测模块，通过激光气体检测核心模块计算出气体浓度，核心模块与控制器通过RS485以私有协议将浓度数据传输给控制器模块，控制器将数据发给无人机，借助无人机的无线通信链路将数据传输给上位机；上位机获取气体浓度的同时获取无人机的位置和姿态信息。

记录每个检测点的浓度和位置信息，并根据无人机的位置和姿态信息获取无人机激光信号发射器发射方向的平面位置坐标，平面位置坐标是以横轴为沿轨方向距离，纵轴为高程的一个平面，平面位置坐标，即沿轨方向距离和高程，其中沿轨方向距离为检测点与无人机激光发射器正对方向垂直的水平线方向的距离，高程为检测点到地面的距离，当检测点采集足够多时就获取了气团的浓度的平面分布统计图：横轴为沿轨方向距离，纵轴为高程，分布图上每个数据点的亮度代表不同的浓度值。

当获取到多个平面的监测点浓度分布图后就可以计算出三维的气体浓度图像。但三维气体图像的成像质量与气体浓度平面分布统计图中每一个测点数据，即图像中每个数据点的准确度具有直接影响。由图2可见数据点出现大量的噪声点，这些因素包括无人机飞行过程中受气流影响导致的抖动、云台不稳定、操作人员操作失误、飞鸟等异物遮挡、扫描不充分等。尤其与正常测点混杂的噪点，若不进行去除，会导致在计算三维气体图像时可信度大幅降低。

至此，得到气体浓度平面分布图。

步骤S002、使用现有图像分割方法对气体浓度平面分布图区分噪点聚集区和背景区，对前者每个数据点设置邻域范围，对邻域范围内的每个数据点计算隶属度。

需要说明的是，在气体浓度平面分布图中，测点浓度不同其所呈现的亮度不同，其中噪声点和测点在空间分布上混杂，因此本发明选择局部密度分割算法中的DensityPeaks密度峰聚类算法将不同浓度数据点进行分类，同时去除噪点。

但在气体浓度平面分布图中，分布位置不同且浓度不同的数据点均有不同的邻域密度，在噪声随机分布的情况下，数据点的邻域密度是存在误差的，简单来说局部密度聚类算法是将密度稀疏的部分视为噪点，因此密度峰聚类算法仅仅在去除背景噪声时效果较好，当噪声点混在在测点数据中时，则反而使数据分布变得稠密，难以直接去除，去除不当会导致点云数据稀疏、失真。

具体的，本实施例在气体浓度平面分布图中进行粗分割操作，即将大部分背景噪点所在区域，与混杂在测点中的噪点所在区域进行区分，由于气体浓度平面分布图与图像处理中的像素点矩阵相似，横、纵轴均为空间坐标值，数据点均具有亮度值。本实施例利用图像处理技术中常用于区域粗分割的SLIC超像素分割算法，获取分割后的超像素块，根据超像素块的灰度特征，即像素块平均浓度值，对气体浓度平面分布图进行粗分割，获得聚集区域和背景区域，具体为：

使用大津阈值算法根据超像素块区域内数据点的平均浓度将所有超像素块分割为两个类别，获取每个类别中所有超像素块区域的平均数据点浓度的均值，将均值最大的类别中的超像素块区域作为聚集区域，剩余超像素块区域作为背景区域。由于算法在气体浓度平面分布图中的运算规则与在图像中的运算规则完全相同，因此不展开进行说明。

根据上述方法，那么就可获取粗糙的聚集区域和背景区域，本实施例先对聚集区域内的数据点进行以下处理：

需要说明的是，由于激光雷达所成点云数据间隔几乎均匀，在每个数据点的邻域范围内若存在噪声点，则其会破坏局部数据点间隔均匀度。

对于任意一个数据点A，在其他所有数据点中，如果数据点B与数据点A的欧式距离最近，那么B称为A的匹配项。同理获得所有数据点的匹配项。如果有m个数据点的匹配项都是A，那么A的匹配项个数设置为m。

同理获得所有数据点的匹配项个数。当噪点嵌入正常数据点中时，其对于周围所有其他数据点而言均为欧式距离最近，则这些周围的数据点均为噪点的匹配项。并且气团的浓度扩散趋势为由高至低，不同浓度的测点各自聚集在某片区域中，那么在气体浓度平面分布图中噪点对于局部区域而言，存在浓度值异常，或者说亮度值异常。

具体的，首先设置邻域半径为r=10。计算以每个数据点为圆心，半径为r的邻域范围内数据点密度，邻域范围内的数据点数量即邻域密度。该邻域密度是噪点存在情况下所计算的，需要根据邻域范围内数据点的隶属度，对低隶属度的可疑数据点进行筛除。

进一步的，根据数据点邻域信息计算不同数据点隶属度的方法为：

其中，i为任意一个数据点，c为数据点i的任意一个匹配项，为数据点i的所有匹配项个数，为数据点i与数据点i的第c个匹配项的欧式距离，代表数据点i与数据点所有匹配项的平均欧式距离，记为第一距离。n代表数据点i点所在邻域范围内的密度，即半径r范围内的数据点数量，s代表数据点i所在邻域范围内第s个数据点，代表邻域范围内任意一个数据点与其他所有数据点的最短欧式距离，最短欧式距离即数据点与所有数据点之间的最短距离，为邻域范围内所有数据点的平均最短欧式距离，记为第二距离。代表第i个数据点与其所有匹配项的平均欧式距离，除以邻域范围内所有数据点的平均匹配项欧式距离。当数据点i为噪声点时，分子必然比分母小，则越小，同时数据点i的匹配项数量较大，代表数据点i越可能为噪点，因此以作为的指数，根据指数函数曲线可知底数越小，指数越大，则取值越小，数据点i在其邻域范围内的隶属度分量越低，其越可能为噪点。代表第i个数据点在气体浓度平面分布图中的亮度值，代表数据点i的第c个匹配项的亮度值，代表数据点i与其所有匹配项的平均亮度差异，该值越大则代表数据点i在其邻域范围内越异常，隶属度分量越低，表示以e为底的指数函数，因此利用函数对矫正逻辑关系，即越大，在0-1之间越小。表示第i个数据点的隶属度，该隶属度表征的是第i个数据点根据邻域范围内所有数据点获取的数据点稠密程度以及其邻域内数据点亮度差异特征，隶属值越大说明该点为噪声数据点可能性越小，隶属值越小，说明该点为噪声数据点可能性越大。

获取所有数据点的隶属度，对所有数据点的隶属度进行线性归一化处理。

局部密度聚类算法核心参数即邻域密度的筛选，而其算法规只会对稀疏的数据点比较敏感，却不能区分噪点混杂后变得稠密的数据点，因此噪点与测点混杂时无法从聚类结果中剥离噪点，本发明对邻域范围内数据点进行隶属度计算，在搜索过程中可以对局部数据点稠密的邻域密度进行修正，以消除混杂噪声，提高邻域密度参数以及聚类结果的可信度。

步骤S003、根据隶属度序列进行可疑噪点消除，并设置惩罚项避免邻域范围内数据点稀疏。

需要说明的是，在将所有数据点隶属度按由小到大进行排序，得到隶属度序列，序列长度记为N，等于数据点数量，依次进行消除，消除低隶属度的数据点后，该邻域范围内的平均隶属度会提高，在每个邻域范围内平均隶属度越高当然越好，但是由于各个点的隶属度存在差异，甚至含有部分不高不低的隶属度，将其去除后该邻域范围内的数据点隶属度自然会更高，但是被去除的点也可能是与噪点相邻被噪点影响导致其隶属度稍低的真实测点，因此本实施例认为直接设置主观阈值对低隶属度数据点进行去除的话，很大可能存在信息丢失，导致此处数据点密度稀疏，因此本发明需要避免在去除可疑噪声点时过于侧重隶属度最优，设置惩罚项。

具体的，构建邻域密度修正系数的方法为：

其中，代表根据隶属度序列由小到大依次消除的数据点序号，y表示消除到第个数据点时数据点邻域中的第y个数据点，为消除至第个数据点时，数据点邻域范围内的数据点总数。表示消除至第个数据点时，数据点邻域中第y个数据点对应的隶属度。，即所求为消除至第个数据点时，数据点邻域内所有数据点的平均隶属度，记为第一平均隶属度。表示消除至第个数据点时，数据点邻域范围内任意一个数据点y与其他所有数据点的最短欧式距离，为消除至第个数据点时，该邻域范围内第y个数据点与其匹配项的最短欧式距离除以邻域范围内所有数据点平均匹配项欧式距离，得到每个数据点的对照值，即所求，然后对该对照值计算方差，表示消除至第个点时，根据所有数据点获取的对照值的方差，计算对照值的方差而不是直接计算所有数据点与其匹配项欧式距离的方差，是为了限制方差取值，将惩罚项与统一量纲，那么在根据隶属度序列去除至某一个数据点时，最大，再继续消除时数据点密度变得稀疏，出现惩罚项较大，则会使变小，此时停止消除，完成该邻域范围内邻域密度的修正。表示消除至第个数据点时数据点的修正系数，用于表征图像数据点消除的消除效果，所求消除系数越大，说明当前数据点中噪声数据点越少，消除效果好，消除系数越小，说明图像中数据点噪声数据点过多，或者图像中有效数据点被消除过多，消除效果不好。

至此，每依次消除一个数据点，既可以根据每个聚集区域数据点获得一组修正系数，获取平均修正系数记为，获取消除数据点至过程中，每个数据点消除后对应的修正系数，即获得，…，。选取所有修正系数中，修正系数最大时，对应的。即说明对序列P中数据点，消除至第时，可以获取最好的噪声消除结果。其中记，并且当获取多个最大值时，选择最小作为消除数据点数量。

根据上述方法，按照隶属度序列P，消除其前个数据，获取剔除噪点后的聚集区域。获得消除后剩余的数据点，并将这些数据点记为修正数据点。

至此通过上述对聚集区域内的数据点进行剔除，得到了聚集区域内消除后的修正数据点。

使用DensityPeaks密度峰聚类算法对聚集区域修正数据点与背景区域中的背景区域中的噪点剔除，获得不含噪点的所有数据点，这些数据点的分布就是除噪后的气体浓度平面分布图。

DensityPeaks密度峰聚类算法中需要使用聚类中心距离和局部密度这俩个参数，其中聚类中心距离的计算方法为：对所有数据点的邻域密度进行排序，对于邻域密度最大数据点的聚类中心距离为该点至邻域密度最小数据点的距离，对其他数据点的聚类中心距离为该数据点至大于该点邻域密度的集合中，与距离最小的那个数据点之间的距离。局部密度等于聚集区域内消除后的数据点与背景区域中数据点中每个数据点的邻域密度。

DensityPeaks密度峰聚类算法的大致工作原理为：获取每个数据点的邻域密度大小、聚类中心距离，以邻域密度为横坐标，聚类中心距离为纵坐标，投射在二维坐标系中，越靠近右上角越可能为聚类中心，越靠近左侧轴线，越可能为背景噪声点。其余则为正常点。现有技术是根据决策图将靠近纵轴的噪点筛出，将右上角的点作为簇中心，为公知技术并且存在多种方法在决策图上确定噪点和簇中心点，本实施例中根据邻域密度对所有数据点进行排序，选择选择其中邻域密度最小的5%的数据点认为为噪声数据点。那么即可剔除剩余的背景噪声点，至此测点中混杂的噪点与背景上离散的噪点全部被消除。DensityPeaks密度峰聚类算法具体工作原理是公知的，本实施例不再赘述。

至此完成单一角度下的气体浓度平面分布图的去噪。

步骤S004、根据多角度获取的除噪后的气体浓度平面分布图，重建气体三维图像。

预处理后的测点数据真实度大幅提高，每个方向采集的泄漏气体浓度平面分布图中，几乎没有噪声参与后续的三维图像重建过程。利用三维可视化模块将受体点（测点）数据读入，利用MarchingCubes面绘制算法追踪，生成指定层数和浓度值的等值面时序三维模型。将模型读入三维软件中，实现扩散场景的三维动态可视化。至此完成气团三维的成像。

需要说明的是，由于无人机环绕式多角度进行数据采集，因此在三维重建的气体云中，每个体元或三维像素均包含有关气体相对于地面的经度、纬度、浓度和高度的三维信息。后续通过三维图像对气体泄漏特征、泄漏点的分析为现有技术，非本实施例重点，不多赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，该方法包括以下步骤：

无人机采集多角度数据并生成气体浓度平面分布图；

在气体浓度平面分布图上划分出聚集区域和背景区域，将聚集区域内每个数据点在邻域范围内所包含的数据点数量记为每个数据点的邻域密度；

获取聚集区域内每个数据点的匹配项以及匹配项个数，根据每个数据点的匹配项以及匹配项个数获得每个数据点与匹配项的平均欧式距离，记为第一距离，根据每个数据点的邻域密度以及每个数据点的最短距离获得每个数据点的平均最短距离，记为第二距离；获取每个数据点与匹配项的平均亮度差异，根据第一距离与第二距离的比值、匹配项个数以及平均亮度差异获得每个数据点的隶属度；

按照隶属度由小到大将所有数据点排列获得隶属度序列，从左到右依次消除隶属度序列中的每个数据点，将消除到的数据点记为消除数据点，将隶属度序列上消除数据点右侧所有数据点记为未消除数据点，将所有未消除数据点的隶属度的均值记为消除数据点的第一平均隶属度，根据每个未消除数据点的最短距离获得每个未消除数据点的对照值，根据消除数据点的第一平均隶属度以及所有未消除数据点的对照值的方差得到消除数据点的修正系数，根据所有数据点对应的修正系数获取所有聚集区域数据点的平均修正系数，将平均修正系数最大的消除数据点记为目标数据点，将隶属度序列中目标数据点及目标数据点左侧的数据点删除，将隶属度序列中剩余的数据点记为修正数据点；

将所有修正数据点和背景区域的所有数据点输入到密度峰聚类算法中去除噪点得到去噪后的气体浓度平面分布图，根据去噪后的气体浓度平面分布图进行三维成像。

2.根据权利要求1所述一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，所述在气体浓度平面分布图上划分出聚集区域和背景区域，包括的具体步骤如下：

使用SLIC超像素分割算法对气体浓度平面分布图进行划分，获取分割后的超像素块，使用大津阈值算法根据超像素块区域内数据点的平均浓度将所有超像素块分割为两个类别，获取每个类别中所有超像素块区域的平均数据点浓度的第一均值，将第一均值最大的类别中的超像素块区域作为聚集区域，剩余超像素块区域作为背景区域。

3.根据权利要求1所述一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，所述获取聚集区域内每个数据点的匹配项以及匹配项个数，包括的具体步骤如下：

对于任意一个数据点A，在其他所有数据点中，如果数据点B与数据点A的欧式距离最近，那么B称为A的匹配项，获得所有数据点的匹配项，如果有m个数据点的匹配项都是A，那么A的匹配项个数设置为m。

4.根据权利要求1所述一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，所述根据第一距离与第二距离的比值、匹配项个数以及平均亮度差异获得每个数据点的隶属度，包括的具体步骤如下：

其中，i为任意一个数据点，c为数据点i的任意一个匹配项，为数据点i的所有匹配项个数，为数据点i与数据点i的第c个匹配项的欧式距离，n代表数据点i的邻域密度，s代表数据点i所在邻域范围内第s个数据点，代表邻域范围内任意一个数据点的最短欧式距离，代表第i个数据点在气体浓度平面分布图中的亮度值，代表数据点i的第c个匹配项的亮度值，表示以自然常数为底的指数函数，表示第i个数据点的隶属度。

5.根据权利要求1所述一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，所述根据消除数据点的第一平均隶属度以及所有未消除数据点的对照值的方差得到消除数据点的修正系数，包括的具体步骤如下：

其中，代表根据隶属度序列由小到大依次消除的数据点序号，y表示消除到第个数据点时数据点邻域中的第y个数据点，为消除至第个数据点时，数据点邻域范围内的数据点总数，表示消除至第个数据点时，数据点邻域中第y个数据点对应的隶属度，为消除至第个数据点时，数据点邻域内所有数据点的平均隶属度，记为第一平均隶属度，表示消除至第个数据点时，数据点邻域范围内任意一个数据点y与其他所有数据点的最短欧式距离，为消除至第个数据点时，数据点邻域范围内第y个数据点的对照值，表示消除至第个数据点时数据点的修正系数，表示求方差的函数，N表示隶属度序列的长度。

6.根据权利要求1所述一种无人机与激光检测结合对气团三维成像的计算方法，其特征在于，所述密度峰聚类算法中需要使用聚类中心距离和局部密度，包括的具体步骤如下：

密度峰聚类算法中需要使用的参数分别是聚类中心距离和局部密度，其中聚类中心距离的计算方法为：对所有数据点的邻域密度进行排序，对于邻域密度最大数据点的聚类中心距离为该点至邻域密度最小数据点的距离，对其他数据点的聚类中心距离为该数据点至大于该点邻域密度的集合中，与距离最小的那个数据点之间的距离；局部密度等于聚集区域内消除后的数据点与背景区域中数据点中每个数据点的邻域密度。

Images