k-means 之 C++ 的实现
物以类聚，人以群分
所谓k-means，即k均值聚类.聚类过程好比中国历史上的“春秋五霸，战国七雄”，它们同属与中国大地，同时被周王室分封。分封的过程就相当于K类的指定过程，每一个诸侯国都对应于一个聚类。五霸即五类，七雄即七类，从五霸到七雄，即相当于一个聚类生长的过程。
用数学的语言来说就是，假设N个样点构成集合A,根据欧式距离需要将A划分为K个子集，则划分子集的过程就是k均值聚类实现的过程。
简而言之，物以类聚，人以群分，在数学中亦是如此。
K均值是怎么实现的
就像周王室分封诸侯，k均值聚类也需要被告知“到底要分多少诸侯”。有鉴于诸侯王们都不傻，都想要土地肥沃+物产丰绕+风调雨顺+。。。，所以周王室干脆一刀切“那就随机指定吧！”。于是，诸侯们到达封地后，为了得到更适合他们居住的地方，不断变换他们的国都，不断蚕食周围的群落，直到有一天，他们各自发现已经达到了自己理想国度--他们有无尽的子民，无数子民围绕在他们周边，他们有广阔的土地，他们就位于着土地中央！ 最终，每个诸侯王不再迁都，定居过程也随之结束。
拿k均值来类比，总结以下几点：
有多少诸侯要分封 -- k值
一开始怎么分 -- 随机
诸侯国迁徙 -- 距离
还要迁徙吗 -- 聚类最优
定居 -- 聚类结束
结构设计
当然，要实现一个算法，其数据结构的设计是必不可少的！因为主要是针对三维数据的K均值计算，所以每一个样点需声明为一个结构体类型：
typedef struct st_pointxyz{ float x; float y; float z;}st_pointxyz;为了便于后续计算, 还需再设计一个结构，用于存贮某点和该点的索引号：
typedef struct st_point{ st_pointxyz pnt; int groupID; st_point() { } st_point(st_pointxyz &p,int id) { pnt =p; groupID= id; }}st_point;既然是实现k均值算法，那就先定义一个class KMeans吧！
既然定义了class，就应该考虑其应该包含的具体实现函数了. 首先，聚类簇数K自不必说吧，定义SetK()。其次我想到的是应该包含输入输出，那就再构造一个成员输入函数：SetInputCloud（） ，一个输出函数：SaveFile（）。包含了输入输出，自然必须包含聚类过程的实现函数，就先定义为Cluster（）吧！
接下来思考以下聚类过程是怎么实现的？哦，诸侯是被随机分封的，那我们就给它一个初始化随机函数InitKCenter（），接着，诸侯的不断迁移，就是聚类中心不断变化的过程，似乎也应该包含一个聚类中心更新的函数，那就定义为UpdateGroupCenter（）,想起来了，他们聚类的过程是通过两点的欧式距离实现的，似乎DisBetweenPoints()也少不了，到这里似乎聚类过程还没有结束，我们必须再给定一个结束聚类计算的“终止函数”，就像诸侯王定居，国都不再改变，k均值聚类的中心不再变化即可认为聚类过程的结束，那就再定义一个判断中心点是否移动的函数ExistCenterShift（）。
KMeans类的成员函数似乎都找齐了，但是成员变量还没说明。int m_k自不必说，接着再定义一个命令别名以便后用typedef vector VecPoint_t(打算用vector存储数据)，然后定义需要计算的输入点云VecPoint_t mv_pntcloud,还需要定义一个保存聚类结果的结构，定义为vectorm_grp_pclcloud,最后我们还要知道每类的聚类中心vector m_center。
到现在，k均值聚类整体结构已经有了，接下来就是将他们组合到一起（这里借助了pcl库，因为目前为止pcl中还没有K-means算法功能，ps：如果有谁能在pcl中找到k-means算法，请一定留言通知，不胜感激. 借助pcl只是为了省去三维点云读取与存贮的麻烦）
class KMeans{public: int m_k; typedef vector VecPoint_t; //定义命令别名 VecPoint_t mv_pntcloud; //要聚类的点云 vectorm_grp_pntcloud; //k类，每一类存储若干点 vectormv_center; //每个类的中心 KMeans() { m_k =0; } inline void SetK(int k_) //设置聚类簇数 { m_k = k_; m_grp_pntcloud.resize(m_k); } //设置输入点云 bool SetInputCloud(pcl::PointCloud::Ptr pPntCloud); //初始化最初的k个类的中心 bool InitKCenter(); //聚类 bool Cluster(); //更新k类的中心(参数为类和中心点) vector UpdateGroupCenter(vector &grp_pntcloud,vector cer); //计算两点欧式距离 double DistBetweenPoints(st_pointxyz &p1,st_pointxyz &p2); //是否存在中心点转移动 bool ExistCenterShift(vector &prev_center,vector &cur_center); //将聚类分别存储到各自的pcd文件中 bool SaveFile(const char *fname);};具体实现
首先设置一个判断聚类中心是否移动的阀值cosnt float DIST_NRAR = 0.001,也就是说当两次聚类中心的差值小于此值时，聚类则停止。
上代码：
bool KMeans::InitKCenter( ) { mv_center.resize(m_k); int size = mv_pntcloud.size(); srand(unsigned(time(NULL))); for (int i =0; i::Ptr pPntCloud) { size_t pntCount = (size_t) pPntCloud->points.size(); for (size_t i = 0; ipoints[i].x; point.pnt.y = pPntCloud->points[i].y; point.pnt.z = pPntCloud->points[i].z; point.groupID = 0; mv_pntcloud.push_back(point); } return true; } bool KMeans::Cluster() { InitKCenter(); vectorv_center(mv_center.size()); size_t pntCount = mv_pntcloud.size(); do { for (size_t i = 0;i 0.000001) { min_dist = dist; pnt_grp = j; } } m_grp_pntcloud[pnt_grp].push_back(st_point(mv_pntcloud[i].pnt,pnt_grp)); //将该点和该点群组的索引存入聚类中 } //保存上一次迭代的中心点 for (size_t i = 0; i KMeans::UpdateGroupCenter(std::vector &grp_pntcloud, std::vector center) { for (size_t i = 0; i &prev_center, std::vector &cur_center) { for (size_t i = 0; i DIST_NEAR_ZERO) { return true; } } return false; }//将聚类的点分别存到各自的pcd文件中 bool KMeans::SaveFile(const char *prex_name) { for (int i = 0; i ::Ptr p_pnt_cloud(new pcl::PointCloud ()); for (size_t j = 0, grp_pnt_count = m_grp_pntcloud[i].size(); j points.push_back(pt); } p_pnt_cloud->width = (int)m_grp_pntcloud[i].size(); p_pnt_cloud->height = 1; char newFileName[256] = {0}; char indexStr[16] = {0}; strcat(newFileName, szFileName); strcat(newFileName, "-"); strcat(newFileName, prex_name); strcat(newFileName, "-"); sprintf(indexStr, "%d", i + 1); strcat(newFileName, indexStr); strcat(newFileName, ".pcd"); pcl::io::savePCDFileASCII(newFileName, *p_pnt_cloud); } return true; } 实例检测
c++# linux, emacs
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
