南宁网站排名外包,最近的新闻大事10条简短,wordpress后台密码,大专毕业设计模板范文目录 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#xff0c;后续会将博客加入该专栏#xff0c;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…
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_clustersk, n_initk)
#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
