基于meanshift实现点云聚类附matlab代码

最新推荐文章于 2024-11-13 09:01:02 发布

原创最新推荐文章于 2024-11-13 09:01:02 发布 · 252 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #聚类 #开发语言

文章介绍了MeanShift算法的基本原理，它是一种用于聚类和寻找数据集中密度最大区域的方法。在Matlab中，通过迭代计算点的平均偏移量来实现数据点的聚类。代码示例展示了如何对点云数据进行聚类，并提供了MeanShift算法的实现细节，包括搜索半径和停止条件的设定。此外，文章还提及了算法在视觉领域，特别是深度学习后处理中的应用。

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

MeanShift作为聚类方法之一，在视觉领域有着广泛的应用，尤其是作为深度学习回归后的后处理模块而存在着。

接下来，我们先介绍下基本功能流程，然后会用代码的形式来分析。

一、算法原理：

MeanShift，顾名思义，由Mean（均值）和shift（偏移）组成。也就是有一个点x，周围有很多点xi，我们计算点x移动到每个点所需要的偏移量之和，求平均，就得到平均偏移量。该偏移量包含大小和方向，方向就是周围分布密集的方向。然后点x往平均偏移量方向移动，再以此为新起点，不断迭代直到满足一定条件结束。

中心点就是我们上面所说的

周围的小红点就是黄色的箭头就是我们求解得到的平均偏移向量。那么图中“大圆圈”是什么东西呢？我们上面所说的周围的点周围是个什么概念？总的有个东西来限制一下吧。那个“圆圈”就是我们的限制条件，或者说在图像处理中，就是我们搜索迭代时的窗口大小。

步骤1、首先设定起始点，我们说了，是球，所以有半径，所有在球内的点就是 , 黑色箭头就是我们计算出来的向量 , 将所有的向量进行求和计算平均就得到我们的meanshift 向量，也就是图中黄色的向量。

接着，再以meanshift向量的重点为圆心，再做一个高维的球，如下图所示，重复上面的步骤，最终就可以收敛到点的分布中密度最大的地方

⛄ 代码

load A     %读取点云数据load POINT  %读取点云边界点数据figure(1);plot3(A(:,1),A(:,2),A(:,3),'g.');hold on;plot3(POINT(:,1),POINT(:,2),POINT(:,3),'r.');OX=[50,0,0]';OY=[0,50,0]';OZ=[0,0,50]';xlabel('X轴');ylabel('Y轴');zlabel('Z轴');axis equal;rotate3d on;quiver3(0,0,0,OX(1),OX(2),OX(3),'color',[1 0 0 ],'LineWidth',2);quiver3(0,0,0,OY(1),OY(2),OY(3),'color',[0 1 0 ],'LineWidth',2);quiver3(0,0,0,OZ(1),OZ(2),OZ(3),'color',[0 0 1 ],'LineWidth',2);title('原始点云与边界点')hold off;[cc]=Mean_shift_7171(POINT,A);    %对边界点聚类,返回值为每个类簇的中心

function [CC]=Mean_shift_7171(c,A)data=c;%mean shift 算法  [m,n]=size(data);  index=1:m;  radius=10;                         %搜索半径设定stopthresh=1e-3*radius;    %阈值设定visitflag=zeros(m,1);%标记是否被访问  count=[];  clustern=0;  clustercenter=[];  while length(index)>0      cn=ceil((length(index)-1e-6)*rand);%随机选择一个未被标记的点，作为圆心，进行均值漂移迭代      center=data(index(cn),:);      this_class=zeros(m,1);%统计漂移过程中，每个点的访问频率      %步骤2、3、4、5      while 1          %计算球半径内的点集          dis=sum((repmat(center,m,1)-data).^2,2);          radius2=radius*radius;          innerS=find(dis<radius*radius);          visitflag(innerS)=1;%在均值漂移过程中，记录已经被访问过得点         this_class(innerS)=this_class(innerS)+1;         newcenter=zeros(1,3);        sumweight=0;          for i=1:length(innerS)              w=exp(dis(innerS(i))/(radius*radius));              sumweight=w+sumweight;              newcenter=newcenter+w*data(innerS(i),:);         end          newcenter=newcenter./sumweight;          if norm(newcenter-center) <stopthresh %计算漂移距离，如果漂移距离小于阈值，那么停止漂移              break;          end          center=newcenter;    end       %步骤6 判断是否需要合并，如果不需要则增加聚类个数1个      mergewith=0;      for i=1:clustern          betw=norm(center-clustercenter(i,:));          if betw<radius/2              mergewith=i;               break;          end      end      if mergewith==0           %不需要合并          clustern=clustern+1;          clustercenter(clustern,:)=center;          count(:,clustern)=this_class;      else                      %合并          clustercenter(mergewith,:)=0.5*(clustercenter(mergewith,:)+center);          count(:,mergewith)=count(:,mergewith)+this_class;        end      %重新统计未被访问过的点      index=find(visitflag==0);  end%结束所有数据点访问 %绘制分类结果，仅只画出前4个类簇，可根据自己需要作调整画图。for i=1:m      [value index]=max(count(i,:));      Idx(i)=index;  end  figure(2);  plot3(A(:,1),A(:,2),A(:,3),'g.');hold on;  for i=1:m      if Idx(i)==1;          plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','y', 'MarkerSize',5);    elseif Idx(i)==2;          plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','b', 'MarkerSize',5);    elseif Idx(i)==3;           plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','r', 'MarkerSize',5);    elseif Idx(i)==4;           plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','w', 'MarkerSize',5);% elseif Idx(i)==5;%      plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','w', 'MarkerSize',5);%         '%         '%         '    end  end  for k = 1:clustern    CC(k,:)=[clustercenter(k,1),clustercenter(k,2),clustercenter(k,3)];end  OX=[50,0,0]';OY=[0,50,0]';OZ=[0,0,50]';xlabel('X轴');ylabel('Y轴');zlabel('Z轴');axis equal;rotate3d on;quiver3(0,0,0,OX(1),OX(2),OX(3),'color',[1 0 0 ],'LineWidth',2);quiver3(0,0,0,OY(1),OY(2),OY(3),'color',[0 1 0 ],'LineWidth',2);quiver3(0,0,0,OZ(1),OZ(2),OZ(3),'color',[0 0 1 ],'LineWidth',2);hold offtitle('Mean shift对边界点聚类');