本节我们分享点云处理中的三种常见聚类方法，分别是K-means、欧氏与 DBSCAN聚类。具体介绍如下：

1. K-means 聚类

        定义：一种基于距离度量的无监督学习算法，将数据划分为 K 个紧凑的簇，使簇内数据相似度高、簇间差异大。

        算法流程：
1）初始化：随机选取 K 个点作为初始质心。
2）分配：计算每个样本到质心的欧氏距离，将其归入最近簇。
3）更新：重新计算各簇的质心（簇内样本的均值）。
4）迭代：重复步骤 2-3，直至质心不变或达到最大迭代次数。

        特点：计算高效、收敛快，但对初始质心敏感，仅适用于凸形簇。

        典型应用：图像分割、客户分群、模式识别。

2. 欧氏聚类（基于欧氏距离的密度聚类）

        定义：通过欧氏距离阈值（eps）和最小邻居数（min_points）分割点云数据，识别密集区域。

        算法流程：
1）初始化：所有点标记为未访问。
2）扩展簇：
- 任选未访问点，检索其 eps 邻域内的所有点（含自身）。
- 若邻居数 ≥ min_points，则标记为新簇，并递归检查邻居的邻居。
3）终止：所有点被访问后，孤立点（邻居数 < min_points）标记为噪声。

        特点：无需预设簇数，可识别任意形状簇，但对参数（eps、min_points）敏感。

        典型应用：
三维点云分割：如建筑扫描中分离房间或自动驾驶中区分车辆/行人。
噪声过滤：剔除孤立点或小簇，提升数据质量。

3. DBSCAN 聚类（Density-Based Spatial Clustering of Applications with Noise）

        定义：基于密度的聚类算法，可发现任意形状簇并自动标记噪声。

        核心概念：
1）核心点：某点的 ε 邻域内至少包含 min_points个点。
2）密度直达：若点 q 在核心点 p 的 ε 邻域内，则 q 从 p 密度直达。
3）密度可达：若存在点链使相邻点满足密度直达关系，则链首尾两点密度可达。
4）聚类形成：从任一核心点出发，递归合并所有密度可达的点，形成簇。
5）噪声点：未被任何簇包含的点。

        特点：抗噪声、无需预设簇数，但对高维数据性能下降。

总结对比

本次使用的数据依然是我们的兔砸！！！！！！！！(破音)

一、Kmeans、欧式和DBSCAN聚类程序

from moviepy.editor import VideoFileClip
import os
import math
import subprocessdef mp4_to_gif(src_file, target_file):# 使用VideoFileClip加载MP4文件video_clip = VideoFileClip(src_file)# 调整视频的尺寸，如果需要的话video_size_w = math.ceil(video_clip.size[0] / 0.9)video_size_h = math.ceil(video_clip.size[1] / 0.9)video_clip = video_clip.resize((video_size_w, video_size_h))# 将视频转换为GIFvideo_clip.write_gif(target_file, fps=10)  # 设置帧率，可以根据需要调整# 关闭视频剪辑对象video_clip.close()def shrink_gif(file):# subprocess.run(["D:/gifsicle/gifsicle.exe", "-b", "-O2", "--lossy=40", "--colors=256", file])subprocess.run(["D:/gif_ya_suo/gifsicle-1.95-win64/gifsicle.exe","-b", "-O2", "--lossy=40","--colors=256", file])# video_path = 'E:/CSDN/视频/1_点云读写/随机颜色_1.mp4'
# target_folder = 'E:/CSDN/视频/1_点云读写/随机颜色_1.gif'original_folder = 'E:/CSDN/视频/23_Kmeans+ou+DBSCAN聚类/1'
target_folder = original_folder
for filename in os.listdir(original_folder):# 检查文件名是否包含旧字符串if '.mp4' in filename:src_filepath = os.path.join(original_folder, filename)target_filepath = os.path.join(target_folder, filename.replace('mp4', 'gif'))print(src_filepath)mp4_to_gif(src_filepath, target_filepath)  # 将mp4转为gifshrink_gif(target_filepath)  # 压缩gif# break
print("All files done.")

        记得运行上述程序是需要安装库的哦，不是程序里面的sklearn，是scikit-learn。不知道怎么安装的同学可以看往期的分享，这里就不着重说了。

pip install scikit-learn

二、Kmeans、欧式和DBSCAN聚类结果

        从结果来看，三个兔砸可以正常的分割。换其他点云的时候记得调节参数啊，前面表格里有详细的说明。就酱，下次见^-^