三维点云学习（4）5-DBSCNA python 复现-1- 距离矩阵法

代码参考，及伪代码参考：
DBSCAN 对点云障碍物聚类
使用Kdtree加速的DBSCAN进行点云聚类
DBSCAN 课程笔记回顾

使用DBSCAN聚类最终效果图

生成的聚类个数：4
dbscan time:19.526319Process finished with exit code 0

DBSCAN-使用距离矩阵法-编写流程

step1: 建立数据集中每个点两两点的距离矩阵，距离矩阵为对角矩阵，对角线为0
step2: 通过 eps半径 Minpts:最小样本点数的判定，找出所有核心点
step3: 进行聚类

代码块

建立距离矩阵代码块：

#构建距离矩阵
def mydistanceMarix(data):S = np.zeros((len(data), len(data)))  # 初始化 关系矩阵 w 为 nn的矩阵# step1 建立关系矩阵， 每个节点都有连线，权重为距离的倒数for i in range(len(data)):  # i:行for j in range(len(data)):  # j:列S[i][j] = np.linalg.norm(data[i] - data[j])  # 二范数计算两个点直接的距离，两个点之间的权重为之间距离的倒数return S

DBSCAN代码块：

def DBSCAN(data, eps, Minpts):"""基于密度的点云聚类:param d_bbox: 点与点之间的距离矩阵:param eps:  最大搜索直径阈值:param Minpts:  最小包含其他对象数量阈值:return: 返回聚类结果，是一个嵌套列表,每个子列表就是这个区域的对象的序号"""# 先求距离d_bbox = my_distance_Marix(data)#step1 初始化核心对象集合T,聚类个数k,聚类集合C, 未访问集合PT = set()    #set 集合k = 0        #类初始化C = []       #聚类集合unvisited = set(range(d_bbox.shape[0]))   #初始化未访问集合#step2 通过判断，两点得 distance 找出所有核心点for d in range(d_bbox.shape[0]):if np.sum(d_bbox[d,:] <= eps) >= Minpts:     #临近点数 > min_sample,加入核心点T.add(d)    #最初得核心点#step3 聚类while len(T):     #visited core ，until all core points were visitedunvisited_old = unvisited     #更新为访问集合core = list(T)[np.random.randint(0,len(T))]    #从 核心点集T 中随机选取一个 核心点coreunvisited = unvisited - set([core])      #把核心点标记为 visited,从 unvisited 集合中剔除visited = []visited.append(core)while len(visited):new_core = visited[0]new_core_nearest = np.where(d_bbox[new_core,:] <= eps)[0]   #获取new_core 得邻近点if len(new_core_nearest) >= Minpts:S = unvisited & set(new_core_nearest)    #当前 核心对象的nearest 与 unvisited 的交集visited +=  (list(S))                     #对该new core所能辐射的点，再做检测unvisited = unvisited - S          #unvisited 剔除已 visited 的点visited.remove(new_core)                     #new core 已做检测，去掉new corek += 1   #类个数cluster = unvisited_old -  unvisited    #原有的 unvisited # 和去掉了 该核心对象的密度可达对象的visited就是该类的所有对象T = T - cluster  #去掉该类对象里面包含的核心对象C.append(cluster)  #把对象加入列表print("生成的聚类个数：%d" %k)return C,k

生成仿真数据代码块

# 生成仿真数据
def generate_X(true_Mu, true_Var):# 第一簇的数据num1, mu1, var1 = 400, true_Mu[0], true_Var[0]X1 = np.random.multivariate_normal(mu1, np.diag(var1), num1)# 第二簇的数据num2, mu2, var2 = 600, true_Mu[1], true_Var[1]X2 = np.random.multivariate_normal(mu2, np.diag(var2), num2)# 第三簇的数据num3, mu3, var3 = 1000, true_Mu[2], true_Var[2]X3 = np.random.multivariate_normal(mu3, np.diag(var3), num3)# 合并在一起X = np.vstack((X1, X2, X3))# 显示数据plt.figure(figsize=(10, 8))plt.axis([-10, 15, -5, 15])plt.scatter(X1[:, 0], X1[:, 1], s=5)plt.scatter(X2[:, 0], X2[:, 1], s=5)plt.scatter(X3[:, 0], X3[:, 1], s=5)#plt.show()return X

完整代码

注意：最后显示的是三个类，实际生成类的个数未知，因而入股哦生成类小于三个，显示部分会报错，需要稍微修改或重新运行

# 文件功能：实现 Spectral 谱聚类 算法
from numpy import *
from numpy.random import rand
import matplotlib.pyplot as plt
import  timeplt.style.use('seaborn')# matplotlib显示点云函数
def Point_Show(point,color):x = []y = []point = np.asarray(point)for i in range(len(point)):x.append(point[i][0])y.append(point[i][1])plt.scatter(x, y,color=color)#构建距离矩阵
def my_distance_Marix(data):S = np.zeros((len(data), len(data)))  # 初始化 关系矩阵 w 为 n*n的矩阵# step1 建立关系矩阵， 每个节点都有连线，权重为距离的倒数for i in range(len(data)):  # i:行for j in range(len(data)):  # j:列S[i][j] = np.linalg.norm(data[i] - data[j])  # 二范数计算两个点直接的距离，两个点之间的权重为之间距离的倒数return S# @profile
def DBSCAN(data, eps, Minpts):"""基于密度的点云聚类:param d_bbox: 点与点之间的距离矩阵:param eps:  最大搜索直径阈值:param Minpts:  最小包含其他对象数量阈值:return: 返回聚类结果，是一个嵌套列表,每个子列表就是这个区域的对象的序号"""# 先求距离d_bbox = my_distance_Marix(data)#step1 初始化核心对象集合T,聚类个数k,聚类集合C, 未访问集合PT = set()    #set 集合k = 0        #类初始化C = []       #聚类集合unvisited = set(range(d_bbox.shape[0]))   #初始化未访问集合#step2 通过判断，两点得 distance 找出所有核心点for d in range(d_bbox.shape[0]):if np.sum(d_bbox[d,:] <= eps) >= Minpts:     #临近点数 > min_sample,加入核心点T.add(d)    #最初得核心点#step3 聚类while len(T):     #visited core ，until all core points were visitedunvisited_old = unvisited     #更新为访问集合core = list(T)[np.random.randint(0,len(T))]    #从 核心点集T 中随机选取一个 核心点coreunvisited = unvisited - set([core])      #把核心点标记为 visited,从 unvisited 集合中剔除visited = []visited.append(core)while len(visited):new_core = visited[0]new_core_nearest = np.where(d_bbox[new_core,:] <= eps)[0]   #获取new_core 得邻近点if len(new_core_nearest) >= Minpts:S = unvisited & set(new_core_nearest)    #当前 核心对象的nearest 与 unvisited 的交集visited +=  (list(S))                     #对该new core所能辐射的点，再做检测unvisited = unvisited - S          #unvisited 剔除已 visited 的点visited.remove(new_core)                     #new core 已做检测，去掉new corek += 1   #类个数cluster = unvisited_old -  unvisited    #原有的 unvisited # 和去掉了 该核心对象的密度可达对象的visited就是该类的所有对象T = T - cluster  #去掉该类对象里面包含的核心对象C.append(cluster)  #把对象加入列表print("生成的聚类个数：%d" %k)return C,k
# 生成仿真数据
def generate_X(true_Mu, true_Var):# 第一簇的数据num1, mu1, var1 = 400, true_Mu[0], true_Var[0]X1 = np.random.multivariate_normal(mu1, np.diag(var1), num1)# 第二簇的数据num2, mu2, var2 = 600, true_Mu[1], true_Var[1]X2 = np.random.multivariate_normal(mu2, np.diag(var2), num2)# 第三簇的数据num3, mu3, var3 = 1000, true_Mu[2], true_Var[2]X3 = np.random.multivariate_normal(mu3, np.diag(var3), num3)# 合并在一起X = np.vstack((X1, X2, X3))# 显示数据plt.figure(figsize=(10, 8))plt.axis([-10, 15, -5, 15])plt.scatter(X1[:, 0], X1[:, 1], s=5)plt.scatter(X2[:, 0], X2[:, 1], s=5)plt.scatter(X3[:, 0], X3[:, 1], s=5)#plt.show()return Xif __name__ == '__main__':# 生成数据true_Mu = [[0.5, 0.5], [5.5, 2.5], [1, 7]]true_Var = [[1, 3], [2, 2], [6, 2]]X = generate_X(true_Mu, true_Var)begin_t = time.time()index,k = DBSCAN(X,eps=0.5,Minpts=15)dbscan_time = time.time() - begin_tprint("dbscan time:%f" %dbscan_time)cluster = [[] for i in range(k)]for i in range(k):cluster[i] = [X[j] for j in index[i]]Point_Show(cluster[0],color="red")Point_Show(cluster[1], color="orange")Point_Show(cluster[2],color="blue")plt.show()# dbscan.fit(X)# K = 3# spectral.fit(X)# cat = spectral.predict(X)# print(cat)# cluster =[[] for i in range(K)]# for i in range(len(X)):#     if cat[i] == 0:#         cluster[0].append(X[i])#     elif cat[i] == 1:#         cluster[1].append(X[i])#     elif cat[i] == 2:#         cluster[2].append(X[i])# Point_Show(cluster[0],color="red")# Point_Show(cluster[1], color="orange")# Point_Show(cluster[2],color="blue")# plt.show()

三维点云学习（4）5-DBSCNA python 复现-1- 距离矩阵法相关推荐

三维点云学习（4）5-DBSCNA python 复现-2-kd-_tree加速
三维点云学习(4)5-DBSCNA python 复现-2-kd-tree加速因为在上一章DBSCAN在构建距离矩阵时,需要构建一个NN的距离矩阵,严重占用资源,古采用kd_tree搜索进行进一步的 ...
三维点云学习（4）5-DBSCNA python 复现-3-kd-tree radius NN 三方库 scipy 与 sklearn速度比较
三维点云学习(4)5-DBSCNA python 复现-3-kd-tree radius NN 三方库 scipy 与 sklearn速度比较 import from scipy.spatial im ...
三维点云学习（4）7-ransac 地面分割+ DBSCAN聚类比较
三维点云学习(4)7-ransac 地面分割+ DBSCAN聚类比较回顾: 实现ransac地面分割 DBSCNA python 复现-1- 距离矩阵法 DBSCNA python 复现-2-kd- ...
三维点云学习（3）7- 实现GMM
三维点云学习(3)7- 实现GMM github大神参考代码高斯混合模型的通俗理解 GMM课程个人总结笔记最终效果图原图进行高斯聚类后的图代码编写流程 1.输入数据集x1 x2 -xn,和K ...
三维点云学习（1）上-PCA主成分分析法向量估计
三维点云学习(1)上环境安装 1.系统环境 win10 或者 ubuntu 2. Anaconda3+python3.6 使用Anaconda创建的conda虚拟环境进行python的编写环境安装 ...
三维点云学习（9）5-实现RANSAC Registration配准
三维点云学习(9)5-实现RANSAC Registration配准参考博客: 机器视觉之 ICP算法和RANSAC算法三维点云配准 ICP点云配准原理及优化本章因个人能力有限,大部分代码摘自g ...
三维点云学习（5）5-实现Deeplearning-PointNet-2-classfication
三维点云学习(5)5-实现Deeplearning-PointNet-2-classfication Github PointNet源码数据集下载:为40种物体的三维点云数据集提取码:es14 运 ...
三维点云学习（5）4-实现Deeplearning-PointNet-1-数据集的批量读取
三维点云学习(5)4-实现Deeplearning-PointNet-1-数据集的批量读取 Github PointNet源码数据集下载:为40种物体的三维点云数据集提取码:es14 因为本人初次 ...
三维点云学习（5）3-Deep learning for Point Cloud-PointNet++
三维点云学习(5)3-Deep learning for Point Cloud-PointNet++ 强烈推荐 PointNet的深刻理解 PointNet++示意图可分为 Encoder. Se ...

三维点云学习（4）5-DBSCNA python 复现-1- 距离矩阵法

三维点云学习（4）5-DBSCNA python 复现-1- 距离矩阵法

使用DBSCAN聚类最终效果图

DBSCAN-使用距离矩阵法-编写流程

代码块

完整代码

三维点云学习（4）5-DBSCNA python 复现-1- 距离矩阵法相关推荐

最新文章

热门文章