PCL 点云 欧式聚类疑问
欧式聚类详解（点云数据处理）
欧式聚类是一种基于欧氏距离度量的聚类算法。基于KD-Tree的近邻查询算法是加速欧式聚类算法的重要预处理方法。
KD-Tree最近邻搜索
Kd-树是K-dimension tree的缩写，是对数据点在k维空间中划分的一种数据结构；Kd-树是一种平衡二叉树。为了能有效的找到最近邻，Kd-树采用分而治之的思想，即将整个空间划分为几个小部分。k-d树算法的应用可以分为两方面，一方面是有关k-d树本身这种数据结构建立的算法，另一方面是在建立的k-d树上如何进行最邻近查找的算法。
k-d tree是每个节点均为k维数值点的二叉树，其上的每个节点代表一个超平面，该超平面垂直于当前划分维度的坐标轴，并在该维度上将空间划分为两部分，一部分在其左子树，另一部分在其右子树。即若当前节点的划分维度为d，其左子树上所有点在d维的坐标值均小于当前值，右子树上所有点在d维的坐标值均大于等于当前值，本定义对其任意子节点均成立。
构建开始前，对比数据点在各维度的分布情况，数据点在某一维度坐标值的方差越大分布越分散，方差越小分布越集中。从方差大的维度开始切分可以取得很好的切分效果及平衡性。
KD-Tree构建原理
常规的k-d tree的构建过程为：循环依序取数据点的各维度来作为切分维度，取数据点在该维度的中值作为切分超平面，将中值左侧的数据点挂在其左子树，将中值右侧的数据点挂在其右子树。递归处理其子树，直至所有数据点挂载完毕。
KD-Tree近邻查询
给定点p，查询数据集中与其距离最近点的过程即为最近邻搜索
图中对于给定的查询数据点m，须从KD-Tree的根结点开始进行比较，其中m(k)为当前结点划分维度k上数据点m对应的值，d为当前结点划分的阈值。若 m(k)小于d，则访问左子树；否则访问右子树，直至到达叶子结点Q。此时Q就是当m前最近邻点，而m与Q之间的距离就是当前最小距离Dmin 。随后沿着原搜索路径回退至根结点，若此过程中发现和m之间距离小于 Dmin的点，则须将未曾访问过的子节点均纳入搜索范畴，并及时更新最近邻点，直至所有的搜索路径都为空，整个基于KD-Tree结构的最近邻点查询过程便告完成。
欧式聚类
对于欧式聚类来说，距离判断准则为前文提到的欧氏距离。对于空间某点P，通过KD-Tree近邻搜索算法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加，整个聚类过程便结束；否则须在集合Q中选取p点以外的点，重复上述过程，直到Q中元素的数目不在增加为止。
这里有几个疑问：
疑问1
假如对一幅马路点云图进行聚类，从某个角度看，有一辆车和一棵树紧挨着，欧式聚类会把两辆车聚为一个类别去吧？
疑问2，点云图中有多类别物体（假如有车，小狗，树），假如点云中不同物体距离都比较大，按照上述流程，
我先随机选点P，选到了一辆车上，对于空间某点P，通过KD-Tree近邻搜索算法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加，整个聚类过程便结束；这个时候，集合Q中存放的是这辆车的点云数据把？那点云库中别的物体还没聚类呢？
个人理解，集合Q的数据不再增加，对剩下的点云重新开始聚类，最后能聚类出，树，小狗。
————————————————
版权声明：本文为CSDN博主「JAT0929」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/JAT0929/article/details/104258461
PCL 点云 欧式聚类疑问相关推荐
- PCL 点云欧式聚类
目录 一.概述 二.代码 三.结果 一.概述 PCL中点云欧式聚类的简单使用案例 二.代码 cluster_extraction.cpp #include <pcl/ModelCoeffic ...
- PCL 点云DBSCAN聚类算法
文章目录 一.简介 二.实现代码 三.实现效果 参考资料 一.简介 关于DBSCAN聚类算法的原理可以看之前的文章:点云DBSCAN聚类算法(C++),这里仅仅是对该算法进行了整理,让它可以支持PCL ...
- PCL点云库学习笔记 点云的欧式聚类
欧式聚类详解(点云数据处理) 欧式聚类是一种基于欧氏距离度量的聚类算法.基于KD-Tree的近邻查询算法是加速欧式聚类算法的重要预处理方法. KD-Tree最近邻搜索 Kd-树是K-dimension ...
- PCL点云库学习笔记（3）：点云的欧式聚类
初学者笔记: 点云欧式聚类算法流程 (1)点云读入: (2)体素化下采样(方便处理): (3)去离散点: (4)RANSAC算法检测平面,并剔除平面点云: (5)欧式聚类: (6)结果的输出和可视化: ...
- PCL 点云分割与分类 Segmentation RANSAC随机采样一致性 平面模型分割 欧氏距离分割 区域聚类分割算法 最小分割算法 超体聚类 渐进式形态学滤波器
点云分割 博文末尾支持二维码赞赏哦 _ 点云分割是根据空间,几何和纹理等特征对点云进行划分, 使得同一划分内的点云拥有相似的特征,点云的有效分割往往是许多应用的前提, 例如逆向工作,CAD领域对零件的 ...
- PCL 快速欧式聚类（FEC）
文章目录 一.简介 二.实现代码 三.实现效果 参考资料 一.简介 应一位同学的要求,出一版PCL的快速欧式聚类(FEC),该方法的具体原理可以参阅之前的博客:CloudCompare&PCL ...
- 读自动驾驶激光雷达物体检测技术（Lidar Obstacle Detection）（4）：Clustering（欧式聚类）
在第(3)实现了地面点与障碍物的分离,此部分要实现的是聚类,聚类是指把不同物体的点云分别组合聚集起来, 从而能让你跟踪汽车, 行人等多个目标. 其中一种对点云数据进行分组和聚类的方法称为欧氏聚类. 欧 ...
- 点云PCL学习笔记-分割segmentation-RANSAC随机采样一致性算法欧式聚类提取
随机采样一致性算法RANSAC 程序实例参考网址: https://pcl.readthedocs.io/projects/tutorials/en/latest/random_sample_cons ...
- 【点云处理技术之PCL】点云分割算法1——平面模型分割、圆柱模型分割和欧式聚类提取(含欧式聚类原理)
文章目录 1. 平面分割 2. 圆柱分割 3. 欧式聚类分割 1. 平面分割 下列中,先随机创建了z=1.0的随机点,然后改变其中3个点的z值.最后,使用SACMODEL_PLANE平面模型对它进行拟 ...
最新文章
- RabbitMQ安装遇到的问题及解决记录
- [19/04/04-星期四] IO技术_CommonsIO(通用IO,别人造的轮子,FileUtils类 操作文件 IOUtilsl类 操作里边的内容 )...
- Spring Security构建Rest服务-0702-短信验证码登录
- java方法6_6. java 方法
- include 引号和尖括号的区别
- Eclipse Java注释模板设置详解
- debian执行php网页,如何在Debian上安装和使用PHP Composer
- Camera 图像处理原理分析
- 为什么说java语言是支持跨平台的
- 新手学Docker（1）Hello World
- 网赚项目：揭秘闲鱼项目，信息差赚钱新手也能日入200+
- win7计算机图标删除,如何彻底删除Win7右下角操作中心的小白旗图标
- FPGA仿锆石代码风格组合电路时序电路严格分开之（一）8通道16位AD采集
- nginx 80 443 并存
- 利用Nexus搭建私服
- 《C primer plus》——文件输入/输出
- 获取token（/oauth/token）
- 【信号去噪】基于蚁群算法优化小波阈值实现信号去噪附matlab代码
- 从10万个数中找10个最大的数
- 意大利黑手党2mac版下载