三维点云学习（4）2-mean shift & dbscan

三维点云学习（4）2-mean shift & dbscan

mean shift

hill climbing爬山算法

1个圆包含的点尽可能最多点：

step1:随机选取一个点作为radius的圆的中心

step2:把圆中的所有点加起来算means

step3:把新的means作为新的圆的圆心

step4:不断重复step2 to step3,直到圆的圆心不再变化

优劣：
如果点的分布是高斯分布，效果较好，如果分布较散取决于初始化的点

mean shift步骤

step1.先选一个圆

step2-step3.把圆挪到不再动的地方

step4.重复 1，2，3步N次，不断爬山，把重叠的圆去掉(MMS),剩下多少个圆就有多少个类

step5.nearest-neighbor search对于每个点寻找每个点离 在上步分出的K个圆哪个距离最近，最近则属于那个圆(类)

mean shift复杂度

DBSCAN

DBSCAN步骤

Parameters: distance r ：半径；min_sample：最小样本；core point：核心点

step1

随机选一个unvisited 的点p，构建以p为圆心，半径为r的圆。

step2

	if  圆里的点 > min_sample：
		yes：认为p是一个核心点，创建新的类 cluster C，goto step3，标记 p 为visited
		no：标记p为一个噪点 and visited

step3

a.以p为圆心，r为半的点，里的所有点，归属于cluster C；
b.并且遍历每个点，去寻找new core point。

eg.new core point的寻找:遍历每个点的过程中国，对点进行Radius NN，
倘若圆中的点>min_sample,可标记为new point point，继续遍历，重复step3，知道出现边界点退出。

step4.

把属于cluster C的点从数据库中剔除，goto step1继续寻找其他类 

Noise:噪点
Core:核心点
Border：边界点 ，在step3.b遍历点寻找new point core中，出现 圆中的点< min_sample ,可认为该点就是cluster C的边界点

DBSCAN复杂度，优劣

DBSCAN高密度的点会被低密度的点分离

compare with five clustering method

Spectral clustering效果最好，耗时长，其次DBSCAN，耗时短