基于nanoflann 的欧氏聚类

1、原理

         三维空间欧氏距离聚类算法中,涉及到唯一距离参数d。当点之间距离小于距离d 时,表明两点局部相连,属于同一簇点集。其中点之间相连满足如下性质:若点A 与点B 相连,点B 与点C 相连,则点A 与点C 也相连。下图展示了基于欧氏距离聚类的原理,当距离阈值设置合理时,使用空间欧氏距离聚类算法对点进行聚类,所有的点被划分成左右两簇点集,并且两簇点云中任意两点相连。即对于一簇点中任意点,总能从该簇点中找到离该点距离小于d的另外一点。对于左边点集中C点,右边点集中距离C点最近的D点,两点之间距离大于距离阈值,经过聚类后C点与D点归属于两簇不同的点集。

2、源代码展示

直接将nanoflann.hpp放入到工程下,直接运行

#include<vector>
#include <fstream>
#include<iostream>
using namespace std;
#include"nanoflann.hpp"
#include"IO.h"
#include<sstream>
using namespace nanoflann;

typedef KDTreeSingleIndexAdaptor < L2_Simple_Adaptor<double, PointCloud2<double>>,
	PointCloud2<double>, 3 > kdTree;

struct Point3D
{
	double x;
	double y;
	double z;
};

//基于欧氏聚类的点云聚类
vector<vector<Point3D>> EucliClusters(vector<Point3D> points, double dis)
{
	vector<vector<Point3D>> result;

	vector<int> flag(points.size(), 0);
	PointCloud2<double> kdPts;
	kdPts.pts.resize(points.size());

	for (int i = 0; i < points.size(); i++)
	{
		kdPts.pts[i].x = points[i].x;
		kdPts.pts[i].y = points[i].y;
		kdPts.pts[i].z = points[i].z;
	}

	kdTree* currKDTree = new kdTree(3, kdPts, KDTreeSingleIndexAdaptorParams(10));

	currKDTree->buildIndex();
	std::vector<std::pair<size_t, double>> pairs;
	SearchParams params;
	double quertPt[3];//查询点

	for (int i = 0; i < points.size(); i++)
	{
		if (flag[i]==0)//当前点没有被搜索过
		{
			quertPt[0] = points[i].x;
			quertPt[1] = points[i].y;
			quertPt[2] = points[i].z;

			const size_t numPairs = currKDTree->radiusSearch(&quertPt[0], dis*dis, pairs, params);

			vector<Point3D> onecluster;//当前簇点集
			vector<Point3D> seed;//种子点集
			for (size_t j = 0; j < numPairs; ++j)
			{
				int id = pairs[j].first;
				if (flag[id] == 0)//未增长的点
				{
					flag[id] = 1;//标示标记过

					Point3D onepoint = points[pairs[j].first];
					seed.push_back(onepoint);
					onecluster.push_back(onepoint);
				}
			}

			//while循环直至所有点
			while (seed.size() >= 1)
			{
				Point3D onepoint = seed.back();//取最后一个元素
				seed.pop_back();//将最后一个元素删除

				quertPt[0] = onepoint.x;
				quertPt[1] = onepoint.y;
				quertPt[2] = onepoint.z;

				const size_t numPairs = currKDTree->radiusSearch(&quertPt[0], dis*dis, pairs, params);

				for (int j = 0; j < numPairs; j++)
				{
					int id = pairs[j].first;

					if (flag[id] == 0)//未增长的点
					{
						flag[id] = 1;//标示标记过

						Point3D onepoint = points[pairs[j].first];
						seed.push_back(onepoint);
						onecluster.push_back(onepoint);
					}
				}
			}
			result.push_back(onecluster);
		}
	}
	return result;
}

void main()
{
	//ifstream infile("..\\测试数据\\half落叶松.txt", ios::in);
	ifstream infile("..\\测试数据\\trees.xyz", ios::in);
	PointCloud2<double> kdPts;
	char line[128];


	vector<Point3D> points;
	Point3D pt;
	while (infile.getline(line, sizeof(line)))
	{
		std::stringstream word(line);
		word >> pt.x;
		word >> pt.y;
		word >> pt.z;

		points.push_back(pt);
	}
	double dis = 0.3;
	vector<vector<Point3D>> clusters = EucliClusters(points, dis);

	ofstream outfile("D:\\separation_two_trees.txt", ios::out);
	srand((int)time(NULL));
	for (int i = 0; i < clusters.size();i++)
	{
		double r = rand() % 255;
		double g = rand() % 255;
		double b = rand() % 255;
		for (int j = 0; j < clusters[i].size();j++)
		{
			outfile << fixed << setprecision(3) << clusters[i][j].x << " " << clusters[i][j].y << " " << clusters[i][j].z << " " <<
				fixed << setprecision(0) << r << " " << g << " " << b << endl;
		}
	}
	outfile.close();
	system("pause");
}

          

基于nanoflann 的3种近邻点检索方式 nanoflann 搜索近邻点方法介绍 阅读详情

相关推荐

nanoflann:nanoflann:C ++ 11的仅标头库,用于使用KD树进行最近邻居(NN)搜索

纳米法兰 1.关于 nanoflann是一个C ++ 11库,用于构建具有以下拓扑的数据集的KD树:R 2 ,R 3 (点云),SO(2)和SO(3)(2D和3D旋转组)。 不提供对近似NN的支持。 nanoflann不需要编译或安装。 您只需要在代码中#include <nanoflann> 。 该库是Marius Muja和David G. Lowe的( )的分支,并作为子项目而。 遵循原始许可条款, nanoflann根据BSD许可进行分发。 请,对于bug,请使用问题按钮或fork并打开请求请求。 引用为: @misc{blanco2014nanoflann, title = {nanoflann: a {C}++ header-only fork of {FLANN}, a library for Nearest Neighbor ({NN}) with KD-trees}, author = {Blanco, Jose Luis and Rai, Pranjal Kumar}, howpublished = {\url{

PID算法(位置式pid算法和增量式pid算法)

PID 算法是闭环控制系统中常用的算法,PID 分别是 Proportion(比例)、Integral(积分)、Differential(微分)的首字母缩写。它是一种结合比例、积分和微分三个环节于一体的闭环控。

m0_57678852的博客 2万+

Andriod应用开发基础项目——记账本

本项目采用Java语言编写,是一款基于Android Studio开发的简易项目,本项目可以提高Java语言编写软件的能力,同时加深对开发软件Android studio有了更深层次的掌握,很适合初学者。在项目过程中,遇到了一些挑战和问题,但通过不断的努力和学习,最终取得了成功。未来,可以还可以继续优化App的功能和性能,增加更多实用的功能,提升用户体验。

eryasd的博客 3471

【CUDA编程部署教程】第一章:GPU架构与CUDA编程核心 1

我们将剖析现代GPU的计算心脏——流式多处理器(SM),理解其独特的Warp执行模型,探索Tensor Core带来的革命性矩阵运算加速,并深入探讨决定性能命脉的内存体系。当必须访问全局内存时,则必须遵循**合并访问(Coalesced Access)**的原则,即让一个Warp内的32个线程访问连续的内存地址,从而让硬件将多次访问合并为一次高效的内存事务,以充分利用带宽。SM的调度器以Warp为单位分派指令,在一个Warp内,所有32个线程在同一时刻执行完全相同的指令,但处理的数据不同,这种模型被称为。

VectorShift的博客 226

SAP和Oracle EBS作为全球顶级的ERP系统,在中国市场深耕数十年,尤其是在大型国企、央企和跨国企业中,已经形成了强大的用户习惯和“舒适区”依赖

国产ERP替代国际系统的关键挑战在于打破用户对SAP/Oracle的操作习惯和心理依赖。需采取多维策略:战略上明确价值主张、分阶段实施;产品上优化用户体验、确保数据迁移;实施上加强情景化培训、流程再造。成功替代70%取决于变革管理,需将"被动替换"转为"主动升级",让用户在新系统中建立更优的舒适区。

金牌架构师 387

2024年下半年网络规划设计师论文真题

3、深入论述自身参与的工业网络是如何实施的,为实现制造业的智能化,如何实现数据的跨系统互通,促进各种工业数据的充分流动和无缝集成以及数据安全。3、结合自身参与的网络建设,详细叙述针对该网络“去NAT”的规划和设计方案。4、在实施过程中遇到的问题以及如何处理,项目实施后的效果和评价。2、大型园区网络“去NAT”改造和业务融合的整体架构。1、“网络去NAT”对推进ipv6演进和应用的意义。4、改造过程中遇到的问题及解决方案。2、简要叙述自身参与的制造网络建设。1、网络规划在智能制造中的意义。

鹿鸣天涯 2378

深度学习笔记——前向传播与反向传播、神经网络(前馈神经网络与反馈神经网络)、常见算法概要汇总

本文简要介绍深度学习的前向传播与反向传播,以及前馈神经网络与反馈神经网络。

haopinglianlian的博客 3047

uni-app - 文本展开 / 收起折叠功能,支持自定义样式(当文本内容超出规定行数后,展开收起折叠的功能)兼容 H5 / App / 小程序且易用更容易修改的插件组件源码,超详细的示例代码及注释

uniapp实现文本的展开与收起功能,uniapp展开全部和收起,uniapp里文本的展开与收起,uniapp中文本内容超出规定行数后展开收起的处理,UNIAPP兼容h5、微信小程序多行文本展开或收起,uni-app中,文字超出隐藏并显示省略号(实现展开、收起全文),uni-app中文本过长-实现折叠与展开效果,中文本内容超出规定行数(字数)后展开收起的处理,超出部分...显示,uniapp适用于uniapp多行文本溢出显示...,多行文本展开或收起,uni-app-文本展开/收起折叠功能,支

🏆 前端领域优质创作者 5646

看完这篇你就能讲解LLC软开关:一文秒懂 ZVS 和 ZCS 到底啥意思!

想要 MOS 管ZVS 好实现➜ 把工作频率保持在 fr1 或更高。想让整流二极管也ZCS 实现➜ 频率就别高过 fr1。设计磁性元件时,一定要计算好 Lr、Lm、Cr 的值,这直接决定你 fr、fr1 是多少!LLC 的软开关技术不是“魔法”,是电感电容+频率控制的精妙组合;fr1 就像黄金分割点,整流和开关都能“刚刚好”;不是所有软开关都能同时实现,要看你在频率曲线的哪一段!

weixin_43199439的博客 1557

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: 基于nanoflann 的3种近邻点检索方式
下一篇: 基于PCL中KDtree的欧氏聚类
点云实验室lab
博客等级 码龄11年 1300粉丝 269原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云实验室lab

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址