
data=xlsread('D:\matlab\data.xlsx')
[N, d] = size(data);
% init U
sampleIds = randsample(1:N, 4, false) %从n个点中随机选择三个点作为中心点
U = data(sampleIds, 1:3);            %以这三个点为中心形成簇类
labels_u = zeros(N, 1);              %初始化建立一个N行1列的零数组
stop = true;
while stop                           %把true复制给stop，需要一直循环for i = 1:N                      %从第1个点一直到第n个点x = data(i, 1:3);            %读取第1个数据放到X里面% check label        label = 0;                    %初始化label为0，代表是第几个簇类dist = 0;                     %初始化dist距离为0for j = 1:4         %计算到达四个中心点的距离，依次推断属于哪个簇类tmp_dist = sum((x-U(j, :)).^2);        if label == 0 || tmp_dist < dist       label = j;                         dist = tmp_dist;            %欧式距离更新为当前的更小值end                                    end                                        %循环结束if labels_u(i) ~= label            %如果第个i点不等于labelstop = false;                   %继续循环endlabels_u(i) = label;               %第个i点属于第label个簇类end                                          if stop == true                                %退出循环break;end%update U                                      %更新中心点new_U = zeros(4, d);                     %初始化中心点，并全部清零labels_count = zeros(4, 1);                    %统计不同簇类的个数for i = 1:N                                    %遍历所有点label = labels_u(i);                       %提取出簇类标志new_U(label, :) = new_U(label, :) + data(i, :);labels_count(label) = labels_count(label) + 1;    endfor j = 1:4%new_U(j, :) = new_U(j, :)/labels_count(j);        %初始化的中心点除以每个聚类里面总的个数endU = new_U;                                      %用新的U来代替E_in = 0;
for i = 1:N                                         %N个点需要重新遍历label = labels_u(i);                            %将label标签提取出来u = U(label, :);                   E_in = E_in + norm(data(i)-u);
end
E_in = E_in/N;         color=['r','g','b','y'];
figure
for i=1:4plot3(data(labels_u==i,1),data(labels_u==i,2),data(labels_u==i,3),'color',color(i),'linestyle','none','marker','x')hold on
end
axis equal

最后的结果：

我们发现k-mean均值算法对是基于样本和簇中心之间的距离进行分类的聚类算法，他的聚类结果是偏向于球状的簇，因此对于球状簇比较适合求解出合适的分类效果，而当数据集变为非球状结构的数据集合，他并不能达到很好的理想聚类效果，因此，DBSCAN没准是一个处理非球状数据的良好解决办法，可能会具有较好的通用性。

作者邮箱是1171137119@qq.com 需要点云数据可以加我qq好友。

Kmeans算法基于三维点云数据相关推荐

线性八叉树_基于三维点云数据的线性八叉树编码压缩算法(权毓舒, 何明一,).pdf...
基于三维点云数据的线性八叉树编码压缩算法(权毓舒, 何明一,) ·70 · 计算机应用研究 2005 年基于三维点云数据的线性八叉树编码压缩算法 * 权毓舒, 何明一 ( 西北工业大学电子信息学院 ...
基于三维点云数据的主成分分析方法（PCA）的python实现
主成分分析(PCA)获取三维点云的坐标轴方向和点云法向量 # 实现PCA分析和法向量计算,并加载数据集中的文件进行验证import open3d as o3d # import os import n ...
基于ICP算法的三维点云数据拼接算法的实现
1.问题描述: 通过合并比例因子引入标准迭代最近点(ICP)算法中,我将配准问题转化为一个7D的约束优化问题非线性空间.然后,我们应用奇异值分解(SVD)一种迭代求解此类优化问题的方法.最后,建立了一 ...
三维点云数据处理软件供技术原理说明_基于三维点云处理技术的工件识别和匹配...
1. 引言目前,随着自动化程度的提高,机器人导航.工业零件检测及抓取等众多领域对计算机视觉系统的要求越来越高 [1],基于二维图像的物体识别已经无法满足日常作业的需求.而由于三维扫描技术的发展,结构 ...
matlab 光度三维重构 code,基于matlab的三维点云数据三维重建
基于matlab的三维点云数据三维重建,通过快速构建三角网,实现三维模型的建立,并提供实例数据用于实验. 三维重建的英文术语名称是3D Reconstruction. 三维重建是指对三维物体建立适合计 ...
点云平面提取_基于LiDAR点云数据滤波方法
基于LiDAR点云数据滤波方法机载激光雷达所获取的数据被称为"点云(points cloud)"它在三维空间中呈现出随机分布的形状.在点云中,有些点属于真实的地形表面的点,有些点 ...
目前缺少用于语义分割的 3D LiDAR 数据吗？关于三维点云数据集和方法的调查
目前缺少用于语义分割的 3D LiDAR 数据吗?关于三维点云数据集和方法的调查原文 Are We Hungry for 3D LiDAR Data for Semantic Segmentatio ...
动手学无人驾驶（4）：基于激光雷达点云数据3D目标检测
上一篇文章<动手学无人驾驶(3):基于激光雷达3D多目标追踪>介绍了3D多目标追踪,多目标追踪里使用的传感器数据为激光雷达Lidar检测到的数据,本文就介绍如何基于激光雷达点云数据进行3D ...
TI AWR1843毫米波雷达采集三维点云数据（ROS）
毫米波雷达以其稳定性.对不同环境的适应能力.价格等方面的优势逐步引起了科研人员的注意,本文主要介绍利用了TI(德州仪器)的AWR1843设备,基于ROS系统进行采集点云数据的流程.供大家参考及为自己做 ...

Kmeans算法基于三维点云数据

最后的结果：

Kmeans算法基于三维点云数据相关推荐

最新文章

热门文章