mean shift聚类算法分析

最新推荐文章于 2025-05-17 14:15:36 发布

stesha_chen

最新推荐文章于 2025-05-17 14:15:36 发布

阅读量3.5k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：机器学习算法

本文链接：https://blog.youkuaiyun.com/stesha_chen/article/details/88827010

本文介绍了Mean Shift聚类算法，用于车道线识别中的聚类。该算法无需预设类别，能自动找到数据的聚类中心。通过随机数据示例展示聚类效果，详细解释了算法步骤，包括寻找可能的中心点、高斯核函数的应用以及优化潜力。最后，通过代码实现展示了聚类结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近看一个车道线识别的算法LaneNet，其中用到了mean shift进行聚类，然后研究了一下这个聚类算法，主要是从代码中了解的，简单记录一下自己的理解，防止以后忘记。meanshift code

使用mean shift聚类我们不用预先知道数据需要聚集为几类，算法会自动找出几个cluster。

在开始使用mean shift算法之前先随机生成几蔟数据，方便后面验证聚类效果。

from sklearn.datasets import make_blobs
data, label = make_blobs(n_samples=500, centers=5, cluster_std=1.2, random_state=5)

这样就生成500个数据，有5个类别，使用不同颜色显示出来，可以看到有两组数据很接近，后面可以看到算法的聚类效果。

1.首先找出可能是中心点的一些坐标，做法就是把所有的数据通过np.round规整为几十类，然后把这几十类中属于每个类的点的个数大于3的保留下来，这样筛选出来大概28组可能的中心点。其实还可以用其他的方法选择中心点，或者把每个数据都当做中心点也可以。

  def get_seeds(self, data):
    if self.bin_seeding:
      binsize = self.band_width
    else:
      binsize = 1
    seed_list = []

200万优质内容无限畅学