open3d k-means 聚类

news/2024/5/20 10:15:53 标签: kmeans, 聚类, 算法, 计算机视觉, python, 机器学习

k-means 聚类

一、算法原理

1、介绍

K-means聚类算法是一种无监督学习算法，主要用于数据聚类。该算法的主要目标是找到一个数据点的划分，使得每个数据点与其所在簇的质心（即该簇所有数据点的均值）之间的平方距离之和最小。

​ 在K-means聚类算法中，首先需要预定义簇的数量K，然后随机选择K个对象作为初始的聚类中心。接着，算法会遍历数据集中的每个对象，根据对象与各个聚类中心的距离，将每个对象分配给距离它最近的聚类中心。完成一轮分配后，算法会重新计算每个簇的聚类中心，新的聚类中心是该簇所有对象的均值。这个过程会不断重复，直到满足某个终止条件，如没有（或最小数目）对象被重新分配给不同的簇，没有（或最小数目）簇的中心再发生变化，或者误差平方和局部最小。

2、算法步骤

在这里插入图片描述

二、代码

kmeans_16">1、机器学习生成kmeans聚类
python"># -*- coding: utf-8 -*-

import open3d as o3d
import numpy as np
from copy import deepcopy
from sklearn import cluster


def KMeans():
    # KMeans聚类，非监督
    pcd_path = r"res/bunny.pcd"
    pcd = o3d.io.read_point_cloud(pcd_path)
    pcd = o3d.geometry.PointCloud(pcd)
    o3d.visualization.draw_geometries([pcd])
    print(pcd)
    # 对点云数据进行着色操作，使其所有点的颜色相同，颜色为 [0, 0, 0]
    pcd.paint_uniform_color(color=[0, 0, 0]) 
    n_clusters = 3  # 聚类簇数
    # 将点云数据转换为 numpy 数组，并使用 sklearn 的 KMeans 进行聚类
    points = np.asarray(pcd.points)
    print(points)
    kmeans = cluster.KMeans(n_clusters=n_clusters, random_state=42, n_init=10, init="k-means++")
    kmeans.fit(points)  # 获取聚类结果，这里主要是每个点的类别标签
    labels = kmeans.labels_
    # 随机生成一些颜色，然后根据类别标签将这些颜色分配给对应的点
    colors = np.random.randint(0, 255, size=(n_clusters, 3)) / 255
    colors = colors[labels]
    # 对原始的点云数据做一个深度拷贝，并将这个拷贝的每个点的位置向下移动50个单位。这是为了在可视化时更清楚地看到聚类效果
    pcd_cluster = deepcopy(pcd)
    pcd_cluster.translate([50, 0, 0])
    # 将新生成的颜色赋值给拷贝的点云数据
    pcd_cluster.colors = o3d.utility.Vector3dVector(colors)
    o3d.visualization.draw_geometries([pcd_cluster])



if __name__ == "__main__":
    KMeans()
2、点云学习生成聚类
python">import numpy as np
import open3d as o3d
import copy
from matplotlib import pyplot as plt


# 在点云上添加分类标签
def draw_labels_on_model(pcl, labels):
    cmap = plt.get_cmap("tab20")
    pcl_temp = copy.deepcopy(pcl)
    max_label = labels.max()
    colors = cmap(labels / (max_label if max_label > 0 else 1))
    pcl_temp.colors = o3d.utility.Vector3dVector(colors[:, :3])
    o3d.visualization.draw_geometries([pcl_temp])


# 计算欧氏距离
def euclidean_distance(one_sample, X):
    # 将one_sample转换为一纬向量
    one_sample = one_sample.reshape(1, -1)
    # 把X转换成一维向量
    X = X.reshape(X.shape[0], -1)
    # 这是用来确保one_sample的尺寸与X相同
    distances = np.power(np.tile(one_sample, (X.shape[0], 1)) - X, 2).sum(axis=1)
    return distances


class Kmeans(object):
    # 构造函数
    def __init__(self, k=2, max_iterations=1500, tolerance=0.00001):
        self.k = k
        self.max_iterations = max_iterations
        self.tolerance = tolerance

    # 随机选取k个聚类中心点
    def init_random_centroids(self, X):
        # save the shape of X
        n_samples, n_features = np.shape(X)
        # make a zero matrix to store values
        centroids = np.zeros((self.k, n_features))
        # 因为有k个中心点，所以执行k次循环
        for i in range(self.k):
            # 随机选取范围内的值
            centroid = X[np.random.choice(range(n_samples))]
            centroids[i] = centroid
        return centroids

    # 查找距离样本点最近的中心

    def closest_centroid(self, sample, centroids):
        distances = euclidean_distance(sample, centroids)
        # np.argmin 返回距离最小值的下标
        closest_i = np.argmin(distances)
        return closest_i

    # 确定聚类
    def create_clusters(self, centroids, X):
        # 这是为了构造用于存储集群的嵌套列表
        clusters = [[] for _ in range(self.k)]
        for sample_i, sample in enumerate(X):
            centroid_i = self.closest_centroid(sample, centroids)
            clusters[centroid_i].append(sample_i)
        return clusters

    # 基于均值算法更新质心
    def update_centroids(self, clusters, X):
        n_features = np.shape(X)[1]
        centroids = np.zeros((self.k, n_features))
        for i, cluster in enumerate(clusters):
            centroid = np.mean(X[cluster], axis=0)
            centroids[i] = centroid
        return centroids

    # 获取标签

    def get_cluster_labels(self, clusters, X):
        y_pred = np.zeros(np.shape(X)[0])
        for cluster_i, cluster in enumerate(clusters):
            for sample_i in cluster:
                y_pred[sample_i] = cluster_i
        return y_pred

    # 预测标签
    def predict(self, X):
        # 随机选取中心点
        centroids = self.init_random_centroids(X)

        for _ in range(self.max_iterations):
            # 对所有点进行聚类
            clusters = self.create_clusters(centroids, X)
            former_centroids = centroids
            # 计算新的聚类中心
            centroids = self.update_centroids(clusters, X)
            # 判断是否满足收敛
            diff = centroids - former_centroids
            if diff.any() < self.tolerance:
                break

        return self.get_cluster_labels(clusters, X)


if __name__ == "__main__":
    #  加载点云
    pcd = o3d.io.read_point_cloud('res/bunny.pcd')
    points = np.asarray(pcd.points)
    o3d.visualization.draw_geometries([pcd])
    # 执行K-means聚类
    clf = Kmeans(k=3)
    labels = clf.predict(points)
    # 可视化聚类结果
    draw_labels_on_model(pcd, labels)

三、结果

1、原点云

在这里插入图片描述

kmeans_182">2、机器学习生成kmeans聚类

在这里插入图片描述

3、点云学习生成聚类

在这里插入图片描述

四、相关链接

机器学习参考：【Lidar】Open3D点云K-Means聚类算法：基于距离的点云聚类（单木分割）附Python代码_单木分割python代码-CSDN博客

点云学习：Open3D Kmeans点云聚类（python详细过程版）_点云k-means聚类pcl-python-CSDN博客

DBSCAN 聚类：open3d DBSCAN 聚类-CSDN博客

k-means算法介绍：【机器学习】K-means（非常详细） - 知乎 (zhihu.com)

百度网盘数据集：

包括 obj,pcd,las,png,ply等

百度网盘链接：https://pan.baidu.com/s/1JFxKUk_xMcEmpfBHtuC-Pg
提取码：cpev


http://www.niftyadmin.cn/n/5381366.html

相关文章

C++ 调用js 脚本

C++ 调用js 脚本

需求&#xff1a; 使用Qt/C 调用js 脚本。Qt 调用lua 脚本性能应该是最快的&#xff0c;但是需要引入第三方库&#xff0c;虽然也不是特别麻烦&#xff0c;但是调用js脚本&#xff0c;确实内置的功能&#xff08;C 调用lua 脚本-CSDN博客&#xff09; 步骤&#xff1a; 1&…
阅读更多...
多元统计分析课程论文-聚类效果评价

多元统计分析课程论文-聚类效果评价

数据集来源&#xff1a;Unsupervised Learning on Country Data (kaggle.com) 代码参考&#xff1a;Clustering: PCA| K-Means - DBSCAN - Hierarchical | | Kaggle 基于特征合成降维和主成分分析法降维的国家数据集聚类效果评价 目录 1.特征合成降维 2.PCA降维 3.K-Mean…
阅读更多...
微信小程序：实现微信小程序应用首页开发 （本地生活首页）

微信小程序：实现微信小程序应用首页开发 （本地生活首页）

文章目录 小程序应用页面开发1、创建项目并配置项目目录结构配置导航栏效果三、配置 tabBar 效果四、轮播图实现4.1 创建轮播图数据容器4.2 定义一个请求轮播图数据的接口4.3 页面加载调用 数据请求接口 五、九宫格实现5.1 获取九宫格数据5.2 结构和样式的完善六、图片布局实现…
阅读更多...
PAM | 账户安全 | 管理

PAM | 账户安全 | 管理

PAM PAM&#xff08;Pluggable Authentication Modules&#xff0c;可插入式身份验证模块&#xff09;是一个灵活的身份验证系统&#xff0c;允许我们通过配置和组合各种模块来实现不同的身份验证策略。 在 Linux 或类 Unix 系统中&#xff0c;常见的 PAM 模块包括以下几种类…
阅读更多...
沁恒CH32V30X学习笔记06---串口dma接收+空闲中断组合接收数据

沁恒CH32V30X学习笔记06---串口dma接收+空闲中断组合接收数据

DMA 控制器提供 18 个通道，其中 DMA1 包含 7 个通道，DMA2 包含 11 个通道，每个通 道对应多个外设请求，通过设置相应外设寄存器中对应 DMA 控制位 通道映射 dma1 dma2 示例代码 bsp_usart_it.c /** bsp_usart_it.c** Created on: 2024年2月18日* Author: admin*/…
阅读更多...
3DSC特征描述符、对应关系可视化以及ICP配准

3DSC特征描述符、对应关系可视化以及ICP配准

一、3DSC特征描述符可视化 C #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/search/kdtree.h> #include <pcl/io/pcd_io.h> #include <pcl/features/normal_3d_omp.h>//使用OMP需要添加的头文件 #include <pcl…
阅读更多...
go-zero/grpc的rpc服务间传递额外数据

go-zero/grpc的rpc服务间传递额外数据

go-zero/grpc的rpc服务间传递额外数据 2024/02/18 客户端&#xff1a; md : metadata.New(map[string]string{"signature": "0123456789", "timestamp": "2021-07-01 00:00:00"}) ctx : metadata.NewOutgoingContext(ctx, md) addR…
阅读更多...
通俗的讲解什么是机器学习之损失函数

通俗的讲解什么是机器学习之损失函数

想象一下&#xff0c;你在玩一个靶心射击的游戏&#xff0c;你的目标是尽可能让箭簇命中靶心。在这个游戏中&#xff0c;损失函数可以看作是测量你的箭簇与靶心距离的规则。损失函数的值越小&#xff0c;意味着你的箭簇离靶心越近&#xff0c;你的射击技能越好。 在机器学习中…
阅读更多...
最新文章

Copyright @ 2022~2023