✅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👇
⛄ 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 off
title('Mean shift对边界点聚类');
⛄ 运行结果
⛄ 参考文献
[1] 张良, 周佳雯, 张谦,等. 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统:, CN108171131A[P]. 2018.
[2] 石少青张乐平张本松吴昊文连新凯杜书帅. 基于Meanshift聚类和孪生网络的非侵入式负荷辨识方法[J]. 电气传动, 2022, 52(24):67-74.
[3] 孙正林, 邹峥嵘, 吴爱琴. 一种改进的MeanShift点云数据滤波[J]. 测绘工程, 2011, 20(5):3.