【Lidar】Open3D点云K-Means聚类算法：基于距离的点云聚类（单木分割）附Python代码

​

 1 K-Means算法介绍

        K-means聚类算法是一种无监督学习算法，主要用于数据聚类。该算法的主要目标是找到一个数据点的划分，使得每个数据点与其所在簇的质心（即该簇所有数据点的均值）之间的平方距离之和最小。

        在K-means聚类算法中，首先需要预定义簇的数量K，然后随机选择K个对象作为初始的聚类中心。接着，算法会遍历数据集中的每个对象，根据对象与各个聚类中心的距离，将每个对象分配给距离它最近的聚类中心。完成一轮分配后，算法会重新计算每个簇的聚类中心，新的聚类中心是该簇所有对象的均值。这个过程会不断重复，直到满足某个终止条件，如没有（或最小数目）对象被重新分配给不同的簇，没有（或最小数目）簇的中心再发生变化，或者误差平方和局部最小。

2 Python代码

        我这里使用的是Python机器学习库里自带的K-Means算法，不用自己手动复现。参数如下：

        1）n_clusters (整数): 这是你希望算法找到的簇的数量。例如，如果你希望算法将数据分为三类，那么你应该设置 n_clusters=3。

        2）random_state (整数或None): 这个参数是用来设置随机数生成器的种子。这样，每次运行算法时，你都会得到相同的结果。如果你想让结果每次都不一样，你可以设置 random_state=None。

        3）n_init (整数): 这个参数是用来指定算法运行的不同初始化次数的。算法会多次运行，每次都使用不同的随机初始化，然后选择最好的结果（即具有最小内部集群距离的结果）。这有助于避免局部最优解。

        4）init (字符串或数组): 这个参数决定了初始化聚类中心的方法。常见的选项包括 "k-means++" 和 "random"。如果你使用 "k-means++"，那么算法会首先随机选择一个点作为第一个聚类中心，然后选择具有最大与已选择聚类中心距离的点作为下一个聚类中心。这种方法有助于提高算法的稳定性。

# -*- coding: utf-8 -*-
"""
@Time ： 2023/11/3 14:37
@Auth ： RS迷途小书童
@File ：Point Cloud Clustering.py
@IDE ：PyCharm
@Purpose：点云聚类
@Web：博客地址:https://blog.csdn.net/m0_56729804
"""
import open3d as o3d
import numpy as np
from copy import deepcopy
from sklearn import cluster
import matplotlib.pyplot as plt


def KMeans():
    # KMeans聚类，非监督
    pcd_path = r"彭俊喜/4 - Cloud.pcd"
    pcd = o3d.io.read_point_cloud(pcd_path)
    pcd = o3d.geometry.PointCloud(pcd)
    print(pcd)
    pcd.paint_uniform_color(color=[0, 0, 0])
    # 对点云数据进行着色操作，使其所有点的颜色相同，颜色为 [0, 0, 0]
    n_clusters = 3   # 聚类簇数
    points = np.array(pcd.points)
    print(points)
    # 将点云数据转换为 numpy 数组，并使用 sklearn 的 KMeans 进行聚类
    kmeans = cluster.KMeans(n_clusters=n_clusters, random_state=42, n_init=10, init="k-means++")
    kmeans.fit(points)  # 获取聚类结果，这里主要是每个点的类别标签
    labels = kmeans.labels_
    colors = np.random.randint(0, 255, size=(n_clusters, 3)) / 255
    # 随机生成一些颜色，然后根据类别标签将这些颜色分配给对应的点
    colors = colors[labels]
    pcd_cluster = deepcopy(pcd)
    pcd_cluster.translate([50, 0, 0])
    # 对原始的点云数据做一个深度拷贝，并将这个拷贝的每个点的位置向下移动50个单位。这是为了在可视化时更清楚地看到聚类效果
    pcd_cluster.colors = o3d.utility.Vector3dVector(colors)
    # 将新生成的颜色赋值给拷贝的点云数据
    o3d.visualization.draw_geometries([pcd_cluster])
    # o3d.io.write_point_cloud(r'3trees_clustering.ply', pcd_cluster, write_ascii=False, compressed=False,
    # print_progress=True)


if __name__ == "__main__":
    KMeans()

3 效果展示

​

4 总结

        总的来说，K-Means算法还是不错的，单木分割方面比DBSCAN聚类表现得好。但是对于完善地林业单木分割还是有些困难，可能还需要加入其他算法来修正它的结果。其次在K-Means算法的参数方面需要好好臻选。