將輸入的n個資料點，分為n個類
1.隨機選取k個中心點
2.e-step(expectation)：n個點、k個中心，求n個點到k個中心的nearest-neighbor
3.m-step(maximization)：更新中心點的位置，把屬於同乙個類的資料點求乙個均值，作為這個類的中心值
4.不斷重複2、3步
k-means的本質是一直優化損失函式 j
最小化損失函式有兩種方法：e-step(expectation)、m-step(maximization)
μ k：
類的中心
點\mu\,k：類的中心點
μk：類的中
心點υ nk
：boo
l值變數
，判斷是
點是否屬
於該類\upsilon\,nk：bool值變數，判斷是點是否屬於該類
υnk：bo
ol值變
量，判斷
是點是否
屬於該類
expectation
使得最近的uk所對應的rnk的值為1，其他值為0，可以盡可能的降低損失函式
乙個類的中心點uk等於屬於這類的點的均值
1.初始化選擇uk時，可以選取資料點裡的點作為初始的中心點
2.執行多次k-means迭代，選擇損失函式最小的一次為最終的結果
3.在e-step(expectation)，可以使用octree或者kd-tree的方法尋找最臨近點，確定rnk
4.mini-bath k-means：每次迭代裡，都選不一樣的assemble
k-medoids（k中心點演算法）加強版的k-means，在處理m-step時
k-means：選取的是所有點的平均值
k-medoids：選取的uk是所有點的差值和函式最小，所以uk必然資料集裡的乙個點
e-step相同，m-step求解v函式
本質就是求解在乙個類中，那個點相對於其他所有點的距離的和函式（損失函式）最小，這個點就認為是中心點（uk），如下圖歷遍次數為7*7=49次，解決了雜訊的問題。
k-means的缺點：
1.k是未知的，需要實驗或者猜出k
2.k-means對雜訊很敏感，所以發明k中心點解決雜訊干擾問題
3.hard-asignment rk為bool值，對於邊界點難解決，所以需要引入gmm（高斯混合模型）解決
顯示三維點雲 三維雷射點雲資料建模
三維雷射點雲資料建模 常見的建模軟體有3dmax cad 草圖大師 revit等，在規則模型建模中，我們常會用到3dmax建模，在這裡就以3dmax為例來說明其在點雲建模應用的經驗 首先我們需要將採集到的點雲資料的原始格式轉換成autodesk軟體可以利用的rcs檔案，轉換工具就是recap或者re...
三維點雲綜述
三維影象的表現形式有 深度圖 以灰度表達物體與相機的距離 幾何模型 cad軟體建立 點雲模型 最常見 最基礎 影象處理三個層次 低層次 影象強化 濾波 邊緣檢測等 中層次 連通區域標記 label 影象分割等 高層次 物體識別 場景分析 點雲處理三個層次 低層次 濾波 關鍵點 keypoints 分...
Dlib三維點雲示例
源 來自dlib的示例 在windows下需要鏈結winmm comctl32 gdi32 imm32 user32等庫。下面的 生成乙個像是三維螺旋狀的點雲。原始碼如下 include include include using namespace dlib using namespace std...