1.基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：包括以下步骤：

步骤1：利用参数自适应的半径滤波去噪方法，实现偏离点云模型结构的离群点去噪，得到初次去噪后的点云数据；

步骤2：利用基于密度的点云去噪方法，以互邻域度的值作为划分依据，将数据集划分为核心集和备选集；针对两个数据子集的数据特征使用不同的离群因子计算方法，通过离群度筛选出大尺度离群点；

步骤3：使用肘方法对步骤2中的核心集部分计算聚类划分数量c，基于互邻域度的大小提出确定初始聚类中心位置的方法，随后通过基于马氏距离的模糊C聚类方法实现去噪和光顺。

2.根据权利要求1所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤1中利用参数自适应的半径滤波去噪方法包括下步骤：获取激光扫描仪的点云数据集D，根据点云数据整体的分布情况，计算适当的半径滤波参数；其中，数据点个数为n；设数据点p在指定半径内邻域点个数为q；数据集中与p距离最近的k个点为最近邻域点NNk(p)；

计算任一数据点pi的k最近邻域内各点之间的平均距离 对得到的各点k邻域平均距离再取平均值，得到整体点云数据中各点的领域平均距离遍历每个数据点，在滤波半径 的范围内，若其半径邻域中邻域点个数达到指定的最低邻域点个数Q则保留该点，否则把该点记作孤立点并删除。

3.根据权利要求2所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤2中，将数据集分为核心集和备选集，包括以下步骤：以步骤1中统计的全部对象的k邻域数据为基础，在p的k临近点o中确定p与o的最远距离为k‑dist(p)，在o点中与p构成互为k临近点的部分作为p的互邻域点，记作p的互邻域点集MNS，如下式所示：

MNSk(p)＝{o|o∈NNk(p)∧p∈NNk(q)}将对象p的互邻域点在k最近邻点中占比定义为互邻域度 当MND的值大于设定的阈值μ，将该数据标记为点云数据D的核心集Da，数量记作na；否则将其标记为备选集Db，数量记nb，如下式所示：

4.根据权利要求3所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤2中，对核心集和备选集的计算离群因子，包括以下步骤：将点云数据D划分成核心集与备选集两个部分后，根据其不同的数据特点，对两个数据集使用不同的方法去噪；

对核心集的数据使用计算局部离群点因子的方法LOF获得每个数据点的离群度，LOFk(p)的值越高，则p是离群点的程度就越大，计算方法如下式所示：*对于备选集的数据在计算离群因子时，不但要考虑数据点的最近邻居，同时也要考虑反最近邻RNNk(p)的数据，计算综合离群因子值INFLOk(p)，如下式所示：其中，ISk(p)是对象p的第k距离邻域NNk(p)和逆第k距离邻域RNNk(p)的并集，den(p)指对象p的局部密度，表示为对象p的k距离的倒数。

5.根据权利要求1所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤3中，使用改进的肘方法，确定聚类划分的最佳数量c，及这c个簇中心的集合V的具体过程，包括以下步骤：将核心集中点的互邻域度由大到小进行排序，按顺序选取出参考聚类中心，并作为参考点的选择顺序；

计算每个样本点到其所属的最近核心集中的参考聚类中心的距离的平方和；通过迭代，得出每个聚类数量c所对应误差平方和SSE，并确定数量c和SSE的数量关系；在迭代过程中取得相邻点间的斜率后再由计算相邻两点间斜率k的比值r，计算方法如下式所示：若斜率之比ri小于阈值ε或迭代计算中c＝θ时停止迭代，在计算得到的结果中取ri的值最大的点为肘部点，并由此得出最佳聚类数；

随后，由互邻域度MND值由大到小排序，按此顺序选择其中最大值点为第一个聚类中心c1；照从大到小的顺序，逐个选取MND更小的点p，根据下设的聚类中心确定条件进行筛选a)判断数据点p与已经确定的i个聚类中心点v1到vi中每个点坐标的欧式距离，当p点与其他聚类中心距离分别大于预设阈值α时判断条件b，否则略过改点，避免初始聚类中心选取过于集中；

b)待判断点pi的局部密度大于pi的互邻域点的局部密度时为负荷条件的聚类中心点，如下式(10)所示：

6.根据权利要求1所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤3中，使用基于马氏距离的模糊C聚类算法对小尺度噪声进行光顺，包括以下步骤：

基于求得的初始聚类中心个数和聚类中心坐标，构建马氏距离的FCM算法确定目标函数如下式(11)所示：

式中的uij的取值需符合相应约束条件；

随后使用拉格朗日乘数法求得各点相对于聚类中心的隶属度，利用求得的隶属度对小尺度噪声进行平滑，滤波函数如下式所示：式中p'为平滑去噪后的点；λ为平滑系数，取值范围为λ∈[0,1]，当平滑系数取值越大，滤波处理后越平滑，取值小的时候对模型改变就不大；np为p点的法向量方向；ui是p点聚类中心vi之间的隶属度值；vi取点p所对应的V中隶属度最大聚类中心。