Kmeans算法基于三维点云数据

​
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0
        for 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label
            stop = false;                   %继续循环
        end
        labels_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;    
    end
    for 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
    end
        U = 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=1:4
    plot3(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。