CN119537983A - 一种基于自适应dbscan聚类的弹壳底火测量异常区域检测方法 - Google Patents

Abstract

本发明涉及数据识别领域，公开了一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，对弹壳样本进行预处理，输入一个正整数K值，通过k‑dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k‑dist图；通过k‑dist图得到膝点，膝点在K‑dist图中对应的距离值为Eps的取值；根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值；根据确定的Eps和MinPts进行DBSCAN聚类，将数据对象最多的一个簇作为正常反光区域，其他簇与噪声合并为异常反光区域，实现对弹壳底火异常反光区域的检测。

Description

一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测 方法

技术领域

本发明涉及数据识别领域，具体是一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法。

背景技术

随着信息技术的不断发展，自动化检测技术逐渐在刑侦法医领域中占据了重要地位。特别是三维激光扫描技术的引入，因其非接触式的特性，能够对弹壳表面痕迹进行无损测量，从而显著提高了检验的效率与精度。这一技术不仅能够提高痕迹分析的效率，还避免了由于接触损伤而造成的证据破坏，确保了痕迹数据的完整性。然而，三维激光扫描技术在实际应用中也面临一些挑战，尤其是由于弹壳材质的高反射率，当激光光束照射到其表面时，常常会出现镜面反射或多次反射现象。这些异常的反射现象可能导致图像失真，影响痕迹的清晰度，进而影响后续的测量结果和数据精度。

测量异常区域不仅可能遮盖击针痕迹等重要细节，还会影响弹壳痕迹的识别与分析，降低痕迹分析的准确性和可靠性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，包括如下步骤：

步骤一，对弹壳样本进行预处理，输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图；

步骤二，通过k-dist图得到膝点，膝点在K-dist图中对应的距离值为Eps的取值；

步骤三，根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值；

步骤四，根据确定的Eps和MinPts进行DBSCAN聚类，将数据对象最多的一个簇作为正常反光区域，其他簇与噪声合并为异常反光区域，实现对弹壳底火异常反光区域的检测。

进一步的，所述的对弹壳样本进行预处理，包括：

S1，运用KD-tree查找每个点最近邻的个点，构成的矩阵；其中，为一个弹壳样本中的数据点，为设定的值；

S2，计算协方差矩阵，并求解协方差矩阵的特征值 ；

S3，取中的最小特征值，计算的曲率；

S4，设置曲率阈值，提取曲率满足的三维数据点，对应变换成二维数据点并存入二维点集，利用二维点集拟合半径为R圆心为的圆，计算每个点到圆心的距离；其中，为拟合圆的圆心坐标，为设置的曲率阈值；

S5，求使得最小的A，B， R即确定圆的参数；其中，A,B分别为拟合圆的圆心X轴和Y轴坐标，R为拟合圆的半径；

S6，对于每个点，若且，则作为弹壳Primer区域；提取出大小为的区域，提取出弹壳的Primer区域；其中，为设定的值，为弹壳的Primer区域的深度。

进一步的，所述的输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图，包括：

计算距离分布矩阵的值，即

其中，，表示一个弹壳样本的数据点个数，是n 行n 列的实对称矩阵，每个元素表示中第个点到第个点的距离，和是第个点和第个点数据点的三维坐标；

对矩阵的每一行进行升序排序后得到，每个点的第k个最近距离即为第K+1列的数值：

其中，包含了一个弹壳样本中所有点的第k个最近距离，将进行升序排序并绘制k-dist图像。

进一步的，所述的膝点为k-dist图像中梯度变化最大的点。

进一步的，所述的根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值，包括：

根据得到的Eps的值，将 MinPts 的值在区间[K-d, K+d]内变化，对不同的MinPts 值依次执行 DBSCAN 聚类，其中，d表示调整幅度；

在DBSCAN聚类后，记录每个MinPts值对应的簇数，统计各簇的数量出现的频率，出现频率最高的簇数CNmax作为聚类的稳定结果，选择簇数CNmax下对于的 minPts 值，并取这些值的中位数作为最优的MinPts值。

本发明的有益效果是：通过分析弹壳各样本的分布特性，自动确定最优的Eps和MinPts参数，从而避免传统方法中手动调整参数带来的不稳定性。

附图说明

图1为一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法的流程示意图；

图2为反光异常弹壳的三维重建示意图，其中，（a）为俯视图；（b）为前视图；（c）为透视图；

图3不同m值曲率计算的结果，其中（a）m取10；（b）m取50；（c）m取100；（d）m取200；

图4为弹壳Prime区域的分割结果示意图；

图5为弹壳底火DBSCAN聚类结果示意图，其中（a）为弹壳底火原始三维数据示意图；b （b）为DBSCAN聚类结果的透视图、（c）为DBSCAN聚类结果的俯视图、（d）为DBSCAN聚类结果的正视图；

图6为DBSCAN聚类数据最多的簇示意图，其中（a）为透视图；（b）为正视图；

图7为两个弹壳底火的k-dist图，其中(a)为正常反光弹壳底火的k-dist图；（b）为异常反光弹壳底火的k-dist图；

图8为将得到的Eps和MinPts_best输入DBSACN算法进行聚类的聚类结果示意图，其中，（a）为05型号54编号弹壳底火的聚类结果，（b）为95型号43编号弹壳底火的聚类结果；

图9为弹壳异常反光区域检测的流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

如图1所示，一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，包括如下步骤：

步骤一，对弹壳样本进行预处理，输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图；

步骤二，通过k-dist图得到膝点，膝点在K-dist图中对应的距离值为Eps的取值；

步骤三，根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值；

步骤四，根据确定的Eps和MinPts进行DBSCAN聚类，将数据对象最多的一个簇作为正常反光区域，其他簇与噪声合并为异常反光区域，实现对弹壳底火异常反光区域的检测。

所述的对弹壳样本进行预处理，包括：

S1，运用KD-tree查找每个点最近邻的个点，构成的矩阵；其中，为一个弹壳样本中的数据点，为设定的值；

S2，计算协方差矩阵，并求解协方差矩阵的特征值 ；

S3，取中的最小特征值，计算的曲率；

S4，设置曲率阈值，提取曲率满足的三维数据点，对应变换成二维数据点并存入二维点集，利用二维点集拟合半径为R圆心为的圆，计算每个点到圆心的距离；其中，为拟合圆的圆心坐标，为设置的曲率阈值；

S5，求使得最小的A，B，R即确定圆的参数；其中，A,B分别为拟合圆的圆心X轴和Y轴坐标，R为拟合圆的半径；

S6，对于每个点，若且，则作为弹壳Primer区域；提取出大小为的区域，提取出弹壳的Primer区域；其中，为设定的值，为弹壳的Primer区域的深度。

所述的输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图，包括：

计算距离分布矩阵的值，即

其中，，表示一个弹壳样本的数据点个数，是n 行n 列的实对称矩阵，每个元素表示中第个点到第个点的距离，和是第个点和第个点数据点的三维坐标；

对矩阵的每一行进行升序排序后得到，每个点的第k个最近距离即为第K+1列的数值：

其中，包含了一个弹壳样本中所有点的第k个最近距离，将进行升序排序并绘制k-dist图像。

所述的膝点为k-dist图像中梯度变化最大的点。

所述的根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值，包括：

根据得到的Eps的值，将 MinPts 的值在区间[K-d, K+d]内变化，对不同的MinPts 值依次执行 DBSCAN 聚类，其中，d表示调整幅度；

在DBSCAN聚类后，记录每个MinPts值对应的簇数，统计各簇的数量出现的频率，出现频率最高的簇数CNmax作为聚类的稳定结果，选择簇数CNmax下对于的 minPts 值，并取这些值的中位数作为最优的MinPts值。

具体的，本文使用的弹壳数据集由一款基于线激光位移传感器的自制三维痕迹采集装置收集。该装置采用波长为405nm的半导体激光源，能够精确扫描弹壳底部的痕迹。弹壳表面痕迹与线性激光位移传感器的相对位置通过步进电机扫描来控制，步进电机的每一步进值为4μm，确保了精细的扫描过程。每次线性激光扫描可以获得1024个数据点，从而准确地还原弹壳的形状。为了弹壳痕迹更好的可视化，步进电机每触发7次采集一条扫描线，整个采集过程包括1024条扫描线。数据通过千兆位以太网接口与计算机连接，进行后续的数据分析和处理。每个弹壳样本的数据由1024×1024个数据点组成，其中X轴分辨率为29.5μm，Y轴分辨率为28.0μm，Z轴分辨率为0.9μm。

该数据集包含2038组来自不同枪械弹壳的三维痕迹数据，其中包括the ZLS-05police revolver, QBU-88 sniper rifle, QSZ-92 pistol, and QBZ-95 infantryrifle等多种型号枪械。在这些数据中，1078组表现为正常反光，另有960组出现反光异常。在我们前期的工作中，基于三维灰度共生矩阵的计算和分析，对采集到的样本中是否存在异常反光的判断。该方法成功将正常反光与异常反光的弹壳数据进行二分类。在本文中，主要针对这960组异常反光的弹壳数据进行处理与分析，进一步检测测量异常的区域。

通常，弹壳的测量异常区域位于其光滑的圆弧表面。图2展示了一个测量异常弹壳的三维重建，a为俯视图、b为前视图，c为透视图。从这些视图中可以明显看出，该弹壳存在两个测量异常的区域。具体来说，红色方框标示了位于弹壳Primer外环边界处的测量异常区域，橙色方框标示了位于弹壳Firing pin impression边缘处的测量异常区域。

在弹壳痕迹检验中，通常不会将位于弹壳Primer外环边界处的痕迹作为主要判定依据。相较而言， Firing pin impression痕迹由于其较高的稳定性与精确性，能够更为准确地反映枪支部件的表面形态和结构特征，因此在弹壳痕迹的检验中，Firingpinimpression痕迹成为了一个重要的判定标准。本文针对所有存在测量异常的弹壳，对图2中橙色方框所示的异常区域进行检测。此外，为了减少红色方框区域内的测量异常对检测结果的影响，本文对数据进行了预处理。通过采用基于曲率阈值的三维分割方法，将弹壳的Primer部分与其他区域有效分割，从而缩小后续的检测范围。

弹壳Primer外环边界处存在较为明显的深度变化，因此该区域的曲率也会发生显著变化。因此，可以将曲率较大的区域视为Primer外环的边界。为了准确分割出弹壳的Primer区域，首先利用曲率变化来确定外环边界的位置。接着采用最小二乘法对边界进行圆形拟合，得到Primer区域的圆心点，从而将Primer区域与其他区域进行分离。数据预处理的具体的实现过程如下：

（1）运用KD-tree查找每个点最近邻的个点，构成的矩阵；其中，为一个弹壳样本中的数据点，的取值由用户确定；

（2）计算协方差矩阵，并求解协方差矩阵的特征值 ；

（3）取中的最小特征值，计算的曲率，越小表明邻域越平坦，越大则表明邻域的起伏变化越大；

（4）设置曲率阈值，提取曲率满足的三维数据点，对应变换成二维数据点并存入二维点集，利用二维点集拟合半径为R圆心为的圆，计算每个点到圆心的距离；

其中，为拟合圆的圆心坐标，的取值由用户确定。

（5）求使得最小的A，B， R即确定圆的参数；

其中，A,B分别为拟合圆的圆心X轴和Y轴坐标，R为拟合圆的半径。

（6）对于每个点，若且，则作为弹壳Primer区域；提取出大小为的区域，实现弹壳的Primer区域的有效分割；

其中，的取值由用户确定，H为该区域的深度范围。

为了确定步骤（1）的值的大小，分别将m的值设定为10，50，100和200，并计算相应弹壳的曲率值。根据曲率的大小，使用不同的颜色进行渲染展示。如图3所示，不同m值下的曲率计算结果。可以观察到，m值越大，Primer外环边界越容易区分。然而，较大的m值也会导致计算量的增加。在观察m取值为50、100和200时的结果后，发现这三者都能有效区分Primer外环边界。本文考虑到计算的效率，最终将m值设定为50。

在图3（b）中，Primer外环边界的曲率值范围为[0.048,0.25]，其他区域的曲率值普遍低于0.048。因此为了有效区分primer的边界，在步骤（4）中，本文将曲率阈值设定为0.048，从而提取出Primer外环的边界，并对其进行圆形拟合。在步骤（6）中，L的值被设定为0.15cm，以便从中提取出大小为3cm×3cm的区域作为弹壳的Primer区域。图4展示了弹壳Primer区域的分割结果。下文将对弹壳的Primer区域进行测量异常的检测。

在这部分内容中，首先概述了传统的DBSCAN算法，并对弹壳样本进行了DBSCAN聚类分析。接着，提出了一种自动化的异常区域检测方法，详细描述了该方法中DBSCAN算法参数自适应确定的过程。最后，介绍了基于自适应参数的DBSCAN聚类算法在测量异常区域检测中的应用方法及其具体流程。

DBSCAN算法（Density-Based Spatial Clustering of Applications withNoise）是一种广泛应用的基于密度的聚类算法。其主要目标是在处理具有噪声的高维空间或非空间数据时，能够有效地识别任意形状的聚类结构。具体而言，DBSCAN算法通过在数据空间中检测高密度区域来划分簇，而将密度较低的孤立点视为噪声，进而实现对数据的有效聚类。

在文中用表示一个弹壳样本中所有点的集合，其中点，参数和由用户确定，用来描述邻域的样本分布紧密程度。参数EPS是用于定义数据点邻域半径的阈值，表示以某个数据点为中心，半径为EPS范围内的空间。参数表示以某点为中心的邻域内至少包含的最小点数。DBSCAN的详细描述及参数定义如下：

定义1 （Eps邻域）对于一个数据点，点的邻域定义为以点为核心，以为半径的区域内。任意点的邻域定义为：

其中，是一个弹壳样本的集合；表示中两个数据点和点之间的距离；和分别是点和点的三维坐标点；包含中与点距离不大于的所有点。

定义2（核心点和边界点）给定一个弹壳样本集合，对于数据点，设定邻域密度阈值。如果点的邻域至少包含，则称该点为核心点；非核心点但在某核心点的邻域内的点称为边界点。该处核心点的定义为：

其中，是点的邻域点个数。

定义3（密度直达）给定一个弹壳样本集合，如果点位于点的邻域中，即定成立，不能说点是由点密度直达，除非点也是核心点。

定义4（密度可达）给定一个弹壳样本集合，当存在数据点集，，若点是由点密度直达，则称点是由点密度可达。密度可达满足传递性，密度可达也是非对称的。

定义5（密度相连）给定一个弹壳样本集合，对于点和点，若存在核心点 ，使得数据点和点是由点密度可达，那么称点和点密度相连。密度相连是对称的。

定义6（簇）给定一个弹壳样本集合，由任意一个核心点开始，从该点密度可达的所有点构成一个簇。

定义7（噪声点） 给定一个弹壳样本集合，若点不属于任何簇，则点为噪声点，即

其中，为噪声点集合，表示一个弹壳样本集合中的第i个簇。

DBSCAN通过检查每个数据点的邻域来进行聚类搜索。如果某个点的邻域至少包含个点，则以该点为核心点，创建一个新的簇。然后，从这些核心点出发，迭代地扩展并收集密度可达的点，这一过程可能涉及到一个新簇的合并。接着，聚类过程会持续进行，直到没有新的点能够加入到现有的簇。另一方面，如果一个点的 E 邻域包含的点数小于时，那么该点被认为是噪声点。然而，如果该点由某个核心点密度可达，则它有可能被纳入其他簇中。

在DBSCAN的算法中，将参数和根据经验取值，对一个弹壳（92型号23编号）底火进行DBSCAN聚类，取0.1，取15。图5展示了弹壳底火DBSCAN聚类的结果。 a是弹壳底火原始三维数据；b、 c 、d分别是DBSCAN聚类结果的透视图、俯视图和正视图；

从图5中可以看出，该弹壳底火通过DBSCAN密度聚类被分成了三个簇，分别为C1,C2,C3。其中，C1簇为正常反光数据，C2簇为向上反光的异常数据，C3簇为向下反光的异常数据。对于三维激光扫描的弹壳数据而言，测量异常区域的密度可能与正常反光区域相近，导致可能出现两个或三个簇的情况。在这些簇中，既包含了正常反光区域，也有异常反光区域。由于正常反光区域的簇内数据点数量远大于异常反光区域，且正常反光区域具有连续性，因此可以认为数据点最多的簇代表正常反光区域。具体来说，使用DBSCAN密度聚类后，通过比较各个簇中数据点的数量，确定数据点最多的簇为正常反光区域，剩余的簇则被视为异常反光区域。图6展示了只保留数据最多簇的结果，a、b分别为透视图和正视图。进一步验证了DBSCAN密度聚类方法能够有效区分正常与异常数据，成功提取出无测量异常的正常数据，从而实现了对测量异常区域的检测。

然而，DBSCAN算法的两个参数设置通常需要通过反复试验和调整才能确定，整个过程不仅繁琐且耗时，还要求用户具备较高的专业知识和经验。此外，当数据集分布不均匀时，DBSCAN算法的性能表现不理想。当两个簇之间仅有少量的密度可达点时，算法可能会错误地将它们合并成一个簇。此外，在面对高维度和大规模数据集时，DBSCAN 算法需要多次遍历数据集以识别密度可达点，这使得其计算复杂度显著增加。

具体而言，当 Eps固定时，如果 MinPts 设置过大，核心点数量会减少，可能导致一些较小的簇被误判为噪声并丢弃；而如果 MinPts 设置过小，可能会导致过多非核心点被误判为核心点，从而将噪声错误地归入簇中。同理，当 MinPts固定时，如果 Eps 设置过小，可能导致大量数据点被误识别为噪声，甚至将原本应属于同一簇的点拆分成多个簇；而如果 Eps 设置过大，则有可能导致噪声点错误地归入簇中，甚至将多个本应独立的簇合并在一起。在处理高维或复杂结构的数据集时，传统的 DBSCAN 方法可能无法保持稳定的聚类效果。因此，如何自动化选择 Eps 和 MinPts 参数的最优解，已成为提升 DBSCAN 算法聚类性能的一个重要研究方向。

为了解决上述问题，本文在DBSCAN算法的基础上，提出一种自适应确定参数EPS和MinPts的新方法。该方法的核心思想是根据弹壳样本的统计特性，动态调整这两个参数的，从而提升聚类效果的准确性和稳定性。

Eps参数自动计算的常用方法是通过函数，该函数用于计算样本中每个数据点与其第 k 个最近邻点之间的距离。图中距离的急剧变化通常对应着一个合适的Eps值。尽管这个Eps值依赖于K，但其不会随着K的变化而发生显著波动。因此，本研究采用K-dist函数自动计算Eps参数，旨在分析不同k值对聚类结果的影响。以下是生成KK-dist函数的具体步骤：

首先，计算距离分布矩阵的值，即

其中，，表示一个弹壳样本的数据点个数。是n 行n 列的实对称矩阵，每个元素表示中第个点到第个点的距离。和是两个数据点的三维坐标。一种基于DBSCAN和改进PointNet的激光测量异常识别方法

接着，对矩阵的每一行进行升序排序后得到，每个点的第k个最近距离即为第K+1列的数值。

其中，包含了一个弹壳样本中所有点的第k个最近距离。

最后，将进行升序排序并绘制k-dist图像，并用VK(x)表示

函数中关于第K个参数的排序值。根据上述步骤，如图7所示分别生成正常反光(a)与异常反光(b)弹壳底火的图。该图选择K = 4、K = 8和K = 15作为第K个最近邻距离的实验参数值。

通过图7观察发现，当K值较小（如k=4）时，计算出的距离较小；而当k值较大（如k=15）时，计算出的距离明显增大。而K取不同的值时，k-dist图的距离变化规律是相似的，因此K的取值不会严重影响聚类的结果。特别地，k-dist图中往往出现一个“膝点”，表示距离变化剧烈的区域，该膝点通常位于图的末端，并作为确定DBSCAN算法中参数的重要依据。膝点代表了数据点密度发生剧烈变化的区域，其位置和特征反映了数据集的结构。一般而言，膝点之后的距离急剧增加，意味着这些数据点可能被视为噪声。在处理具有相似密度簇的数据集时，图通常只有一个膝点，其位置和大小取决于数据集的密度。对于离散数据，由于其间隔较为有限，差分近似方法的精度较低，可能导致k-dist图中出现多个拐点。在这种情况下，可以观察图中梯度变化最剧烈的位置，该位置对应的拐点最大，并可作为确定值的参考。

然而，VDBSCAN算法在此基础上将MinPts设定为K值，这一设定可能会受到数据波动的影响。为了提高参数选择的可靠性，本文在初步设定K值的基础上，选定一个范围作为MinPts的候选区间。这样可以根据数据集的不同结构和波动特性进行调整，从而更好地适应数据的变化，减少算法的不稳定性。

在确定了MinPts的候选区间后，对不同MinPts值下的聚类效果进行分析。对于出现次数最多的簇数，认为此时的聚类结果是稳定，进而反向确定MinPts的最优解。计算参数Minpts的最优解的步骤如下：

首先，根据前文得到参数Eps的值，将 MinPts 的值在区间[K-d, K+d]内变化，对不同的 MinPts 值依次执行 DBSCAN 聚类。

其中，d表示调整幅度，其取值由用户确定。

然后，在DBSCAN聚类后，记录每个MinPts值对应的簇数。进一步统计各簇的数量出现的频率，选择出现频率最高的簇数CNmax作为聚类的稳定结果。

最后，选择簇数下对于的 minPts 值，并取这些值的中位数作为最终的。

选择两个弹壳做示例，执行上述的确认Eps和MinPts参数的步骤。其中，用k-dist函数法计算Eps的参数值时，K的取值为8；计算MinPts的参数值时，d的取值为3，MinPts的值则在区间[5,11]内变化，分别记录不同 MinPts 值对应的聚类结果。表1 记录了05型号54编号弹壳底火的不同 MinPts 值对应簇数；表2 记录了95型号43编号弹壳底火的不同MinPts 值对应簇数.

表1 05型号54编号弹壳底火的不同 MinPts 值对应簇数

表2 95型号43编号弹壳底火的不同 MinPts 值对应簇数

通过表1可以观察到，对于05型号54编号弹壳底火，簇数为5时出现的次数最多，那么认为此时的聚类结果是稳定的。进一步计算簇数为5的对应的MinPts，计算中位数作为MinPts的最优解MinPts_best，此处的MinPts_best = 7。通过表2可以观察到，95型号43编号弹壳底火，簇数为2时出现的次数最多，那么此时的聚类结果认为是稳定的。进一步计算簇数为2的MinPts中位数MinPts，作为MinPts的最优解MinPts_best，此处的计算得到为7.5；而在DBSCAN算法中的MinPts应该是正整数，因此我们将向下取整，最终取7。

将上述得到的和输入DBSACN算法进行聚类，聚类结果如图8所示。（a）为05型号54编号弹壳底火的聚类结果，（b）为95型号43编号弹壳底火的聚类结果。

从图8可以看到，正常反光的区域为同一个簇，而异常反光的区域可能在同一个簇，也可能分散于多个簇。因此在本文中，将数据对象最多的一个簇作为正常反光区域，剩下的簇与噪声合并作为异常反光区域，实现对弹壳底火异常反光区域的检测。

本文所提方法的实现步骤如下：首先，输入一个正整数K值，通过k-dist函数计算每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图；接着，通过对k-dist图的二阶差分分析，识别急剧变化的“膝点”，该点在K-dist图中对应的距离值将作为Eps的取值；然后，进行多次实验，计算不同MinPts值下的聚类结果，并最终选出最优的MinPts值。最后，利用自适应确定的Eps和MinPts进行DBSCAN聚类，将数据对象最多的一个簇作为正常反光区域，其他簇与噪声合并为异常反光区域。弹壳测量异常区域检测的流程图如图9所示。

本文提出的方法实现步骤如下：首先，输入正整数 K，计算每个弹壳样本与其第 K个最近邻之间的距离，得到 K-dist 函数并绘制 K-dist 图；然后，通过对 K-dist 图进行二阶差分分析，识别出急剧变化的“膝点”，该点对应的距离值作为 Eps 的选取值；接着，进行多次实验，记录不同 MinPts 值下的聚类结果，并最终确定最终的参数MinPts。最后，使用自适应确定的参数 Eps 和 MinPts进行 DBSCAN算法 聚类，将数据点最多的簇作为正常反光区域，其余簇与噪声合并为异常反光区域。弹壳测量异常区域检测的流程图见图 9。

图9中给出了DBSCAN算法自适应确定EPS和Minpts的的流程，输入参数包括数据集以及用户设置的的值。通过这种自适应方法，能够根据数据的不同特性自动选择Eps和MinPts，避免了手动调参的困扰，从而提高了DBSCAN算法在实际应用中的聚类准确性与鲁棒性。

Claims (5)

1.一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，其特征在于，包括如下步骤：

步骤一，对弹壳样本进行预处理，输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图；

步骤二，通过k-dist图得到膝点，膝点在K-dist图中对应的距离值为Eps的取值；

步骤三，根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值；

步骤四，根据确定的Eps和MinPts进行DBSCAN聚类，将数据对象最多的一个簇作为正常反光区域，其他簇与噪声合并为异常反光区域，实现对弹壳底火异常反光区域的检测。

2.根据权利要求1所述的一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，其特征在于，所述的对弹壳样本进行预处理，包括：

S1，运用KD-tree查找每个点最近邻的个点，构成的矩阵；其中，为一个弹壳样本中的数据点，为设定的值；

S2，计算协方差矩阵，并求解协方差矩阵的特征值 ；

S3，取中的最小特征值，计算的曲率；

S4，设置曲率阈值，提取曲率满足的三维数据点，对应变换成二维数据点并存入二维点集，利用二维点集拟合半径为R圆心为的圆，计算每个点到圆心的距离；其中，为拟合圆的圆心坐标，为设置的曲率阈值；

S5，求使得最小的A，B， R即确定圆的参数；其中，A,B分别为拟合圆的圆心X轴和Y轴坐标，R为拟合圆的半径；

S6，对于每个点，若且，则作为弹壳Primer区域；提取出大小为的区域，提取出弹壳的Primer区域；其中，为设定的值，为弹壳的Primer区域的深度。

3.根据权利要求2所述的一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，其特征在于，所述的输入一个正整数K值，通过k-dist函数计算预处理后的每个弹壳样本与其第K个最近邻之间的距离，绘制k-dist图，包括：

计算距离分布矩阵的值，即

其中，，表示一个弹壳样本的数据点个数，是n 行n 列的实对称矩阵，每个元素表示中第个点到第个点的距离，和是第个点和第个点数据点的三维坐标；

对矩阵的每一行进行升序排序后得到，每个点的第k个最近距离即为第K+1列的数值：

其中，包含了一个弹壳样本中所有点的第k个最近距离，将进行升序排序并绘制k-dist图像。

4.根据权利要求3所述的一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，其特征在于，所述的膝点为k-dist图像中梯度变化最大的点。

5.根据权利要求3所述的一种基于自适应DBSCAN聚类的弹壳底火测量异常区域检测方法，其特征在于，所述的根据得到的Eps的取值，分别计算不同MinPts值下的聚类结果，得到最优的MinPts值，包括：

根据得到的Eps的值，将 MinPts 的值在区间[K-d, K+d]内变化，对不同的 MinPts 值依次执行 DBSCAN 聚类，其中，d表示调整幅度；

在DBSCAN聚类后，记录每个MinPts值对应的簇数，统计各簇的数量出现的频率，出现频率最高的簇数CNmax作为聚类的稳定结果，选择簇数CNmax下对于的 minPts 值，并取这些值的中位数作为最优的MinPts值。