目录
一、概述
1.1算法介绍
1.2实现步骤
二、代码实现
三、实现效果
3.1原始点云
3.2聚类后点云
前期试读，后续会将博客加入该专栏，欢迎订阅
Open3D与点云深度学习的应用_白葵新的博客-CSDN博客
一、概述
1.1算法介绍
聚类是一种将数据集分组的方法，使得同一组内的数据点相似度较高，而不同组间的数据点相似度较低。K-means 聚类算法是一种经典的无监督学习算法，具有计算简单、收敛速度快等优点，被广泛应用于图像分割、市场细分、模式识别等领域。
1.2实现步骤
K-means 聚类算法的核心思想是通过迭代优化，将数据集分成 K 个簇，使得每个簇内的数据点与簇中心（质心）之间的距离平方和最小。具体步骤如下：
- 初始质心选择：随机选择 K 个数据点作为初始质心。
- 分配数据点：计算每个数据点与所有质心的欧氏距离，将每个数据点分配给最近的质心所在的簇。
- 更新质心：重新计算每个簇的质心，即簇内所有数据点的平均值。
- 重复步骤 2 和 3：不断重复数据点分配和质心更新的过程，直到质心不再发生变化或达到预定的最大迭代次数。
- 终止条件：算法在质心不再变化或达到最大迭代次数时终止。
二、代码实现
import open3d as o3d
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt# 读取点云
pcd = o3d.io.read_point_cloud("chairs.pcd")
# 可视化结果-原始点云
o3d.visualization.draw_geometries([pcd])# 将点云转换为 numpy 数组
points = np.asarray(pcd.points)# 设置 K-means 聚类的参数
k = 10 # 聚类的个数# 执行 K-means 聚类,显式设置 n_init 参数
kmeans = KMeans(n_clusters=k, n_init=k)
#使用 fit_predict 方法对点云数据进行聚类，得到每个点的聚类标签
labels = kmeans.fit_predict(points)# 为每个聚类分配一个颜色
#使用 Matplotlib 的颜色映射为每个聚类分配不同的颜色，并将颜色应用于点云数据。
colors = plt.get_cmap("tab20")(labels / (k - 1 if k > 1 else 1))
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])# 可视化结果
o3d.visualization.draw_geometries([pcd])
三、实现效果
3.1原始点云
3.2聚类后点云
