CN104484345A - 一种基于K-means聚类的水火弯板3D扫描模块的提取方法 - Google Patents

Abstract

本发明公开一种基于K-means聚类的水火弯板3D扫描模块的提取方法，主要应用于造船业中水火弯板的3D扫描模块的提取领域，其主要包括以下步骤：（1）确定聚类中心个数K值；（2）选取初始聚类中心；（3）计算各点对象与各个聚类的相似度，然后将各个对象点依据相似度最大原理进行归类；（4）更新重新归类后的各聚类中心的坐标；（5）重复（3）、（4）步骤，直至聚类中心不再发生变化。本发明是以K-means聚类算法为基本出发点，结合工程项目实际完成3D扫描图形模块的提取工作，采用该方法能够分类提取出利用3D扫描仪扫描出的三维图像的各个模块，达到分类、模块化提取的效果。

Description

一种基于K-means聚类的水火弯板3D扫描模块的提取方法

技术领域

本发明涉及一种基于K-means聚类算法的水火弯板是3D扫描图像模块的提取方法，主要应用于造船业中船体外板3D扫描成形模块的提取。

背景技术

随着科学技术的发展，人们生活水平得到显著提高，物质需求也随之上升。而在图像处理领域，传统的2D图像正逐步被3D图像所取代。3D扫描成形技术在最近十几年得到了迅猛的发展，并被成功的运用于电影、军事、医疗等领域，从而在世界范围内引起广泛的关注，并成为各研发机构争相研究的对象。随着3D扫描技术研究的深入，围绕其衍生出的3D扫描图像的轮廓识别、模块提取技术也引起了各方的注意。如现今流行的人脸识别、数字识别、三维空间重构等技术都运用了3D扫描图像的轮廓识别、模块提取技术。由此可见，围绕3D扫描成像衍生出的3D扫描图像的轮廓识别、模块提取技术在三维图像处理技术中占有不容忽视的重要作用。因此，对现有的3D扫描图像的轮廓识别、模块提取技术展开广泛的研究和深入的分析对于现实工程以及科学研究具有非常重要的意义。

聚类分析是数据挖掘及机器学习领域内的重点问题之一，在数据挖掘、模式识别、决策支持、机器学习及图像分割等领域有广泛的应用，是最重要的数据分析方法之一。而K-means算法是一种使用最广泛的基于划分的聚类分析算法，是十大经典数据挖掘算法之一。它的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。该算法的最大优势在于简洁和快速，而其关键在于初始中心的选择和相似度的计算，特点是各聚类内尽可能紧凑，而各聚类之间尽量分开。在以往的经历中，K-means算法已经被成功运用于多个领域，并取得了良好的聚类效果。

发明内容

本发明为了完善现有3D扫描图像模块的提取工作，提出一种基于K-means聚类的水火弯板3D扫描模块的提取方法，该提取方法以K-means聚类算法为基本出发点，结合工程项目实际完成3D扫描图形模块的提取工作，采用该方法能够分类提取出利用3D扫描仪扫描出的三维图像的各个模块，达到分类、模块化提取的效果。

为了实现上述目的，本发明的技术方案如下：

一种基于K-means聚类的水火弯板3D扫描模块的提取方法，通过3D扫描获取水火弯板的扫描数据集，对扫描数据集进行聚类分析获取聚类结果，进而提取出3D扫描模块；所述对扫描数据集进行聚类分析获取聚类结果的方式为：

S1.确定聚类的个数K值：根据扫描数据集确定聚类的个数K；

S2.在K个聚类中分别选取各个聚类的初始聚类中心点，其选取过程为：

选定第k个聚类，并从中随机选出一个点设定为均值点采用以下公式计算出第k个聚类中其他点与所设定均值点的误差平均和ESS； $\mathrm{ESS}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}[x_{\mathrm{ki}}-{\stackrel{\‾}{x_{k0}}}^2+y_{k_i}-{\stackrel{\‾}{y_{k0}}}^2+z_{k_i}-{\stackrel{\‾}{z_{k0}}}^2];$

重复选取第k个聚类中的其他点作为均值点，求出选取均值点之外的点与选取均值点的误差平方和ESS(Error Sum of Square)；获取误差平方和ESS最小的点作为第k个聚类的初始聚类中心(x_k，y_k，z_k)，按此方式分别选取出K个聚类的初始聚类中心；

(x_ki，y_ki，z_ki)为第k个聚类中第i个点的三维坐标值，k＝1，2，…，K，n表示第k个聚类中的所有点对象的总数；

S3.计算相似度：利用欧几里得距离公式求出K个聚类中剩余N-K个点对象分别到各个聚类的初始聚类中心点的距离，点i到第k个聚类的初始聚类中心点的距离为：

(x_i，y_i，z_i)为K个聚类中第i个点对象的三维坐标值，N表示K个聚类中所有点对象的总数；

对欧几里得距离取倒数后得到相似度：

当欧几里得距离为0时，相似度为1，即点对象与聚类中心重合；

S4.对所有点对象进行归类

根据相似度将聚类中所有的点对象归类到与其最相似的聚类中，即将点对象分配到与其相似度最大的聚类中；

S5.更新聚类中心

利用均值计算公式对各个聚类中所有点的三维坐标进行均值计算，求出的均值坐标点作为新的聚类中心：

$\stackrel{\‾}{x_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i+x_k}{n+1}$

$\stackrel{\‾}{y_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i+y_k}{n+1}$

$\stackrel{\‾}{z_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{z}_i+z_k}{n+1}$

为加入新点对象更新后的聚类中心的新三维坐标；

S6.重复迭代步骤S3、S4、S5，直到所有的聚类中心坐标保持不变或者所有样本点的方差不再变化时，停止迭代运算，所得到的各个聚类即为所提取出的3D扫描模块。

所述步骤S1根据扫描数据集确定聚类的个数K的具体方式为：

当用户知道扫描数据集中包含多少个聚类时，K值由用户指定；

当用户不清楚数据集有多少个聚类或者对聚类的个数还不能明确时，则会对扫描数据集进行2次重采样产生2个数据子集，再用相同的聚类算法对2个数据子集进行聚类，产生2个具有k个聚类的聚类结果，计算2个聚类结果的相似度的分布情况；重复采用此方法，试探多个k，找到使相似度最高的k值，即为所求的K值。

与现有技术相比，本发明技术方案的有益效果是：本发明是提取方法以K-means聚类算法为基本出发点，结合工程项目实际完成3D扫描图形模块的提取工作，采用该方法能够分类提取出利用3D扫描仪扫描出的三维图像的各个模块，达到分类、模块化提取的效果；本发明用于造船业中船体外板的烧制过程中，能有效地完成水火弯板三维图像的模块提取工作。

附图说明

图1为本发明流程图。

具体实施方式

如图1，本发明提供一种基于K-means聚类的水火弯板3D扫描模块的提取方法，通过3D扫描获取水火弯板的扫描数据集，对扫描数据集进行聚类分析获取聚类结果，进而提取出3D扫描模块；所述对扫描数据集进行聚类分析获取聚类结果的具体实施步骤如下：

S1.确定聚类的个数K值：根据扫描数据集确定聚类的个数K，其方式为；

当用户知道数据集中包含多少个簇时，K值可以由用户指定；而当用户不清楚数据集有多少个簇或者对簇的个数还不能明确时，则会对数据集进行2次重采样产生2个数据子集，再用相同的聚类算法对2个数据子集进行聚类，产生2个具有k个聚类的聚类结果，计算2个聚类结果的相似度的分布情况。重复采用此方法，试探多个k，找到使相似度最高的k值，即为所求的K值；

S2.在K个聚类中分别选取各个聚类的初始聚类中心点，其选取过程为：

选定第k个聚类，并从中随机选出一个点设定为均值点采用以下公式计算出第k个聚类中其他点与所设定均值点的误差平均和ESS； $\mathrm{ESS}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}[x_{\mathrm{ki}}-{\stackrel{\‾}{x_{k0}}}^2+y_{k_i}-{\stackrel{\‾}{y_{k0}}}^2+z_{k_i}-{\stackrel{\‾}{z_{k0}}}^2];$

重复选取第k个聚类中的其他点作为均值点，求出选取均值点之外的点与选取均值点的误差平方和ESS；获取误差平方和ESS最小的点作为第k个聚类的初始聚类中心(x_k，y_k，z_k)，按此方式分别选取出K个聚类的初始聚类中心；

(x_ki，y_ki，z_ki)为第k个聚类中第i个点的三维坐标值，k＝1，2，…，K，n表示第k个聚类中的所有点对象的总数；

S3.计算相似度：利用欧几里得距离公式求出K个聚类中剩余N-K个点对象分别到各个聚类的初始聚类中心点的距离，点i到第k个聚类的初始聚类中心点的距离为：

(x_i，y_i，z_i)为K个聚类中第i个点对象的三维坐标值，N表示K个聚类中所有点对象的总数；

对欧几里得距离取倒数后得到相似度：

当欧几里得距离为0时，相似度为1，即点对象与聚类中心重合；

S4.对所有点对象进行归类

根据相似度将聚类中所有的点对象归类到与其最相似的聚类中，即将点对象分配到与其相似度最大的聚类中；

S5.更新聚类中心

利用均值计算公式对各个聚类中所有点的三维坐标进行均值计算，求出的均值坐标点作为新的聚类中心：

$\stackrel{\‾}{x_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i+x_k}{n+1}$

$\stackrel{\‾}{y_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i+y_k}{n+1}$

$\stackrel{\‾}{z_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{z}_i+z_k}{n+1}$

为加入新点对象更新后的聚类中心的新三维坐标；

S6.重复迭代步骤S3、S4、S5，直到所有的聚类中心坐标保持不变或者所有样本点的方差不再变化时，停止迭代运算，所得到的各个聚类即为所提取出的3D扫描模块。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种基于K-means聚类的水火弯板3D扫描模块的提取方法，其特征在于，通过3D扫描获取水火弯板的扫描数据集，对扫描数据集进行聚类分析获取聚类结果，进而提取出3D扫描模块；所述对扫描数据集进行聚类分析获取聚类结果的方式为：

S1.确定聚类的个数K值：根据扫描数据集确定聚类的个数K；

S2.在K个聚类中分别选取各个聚类的初始聚类中心点，其选取过程为：

选定第k个聚类，并从中随机选出一个点设定为均值点采用以下公式计算出第k个聚类中其他点与所设定均值点的误差平均和ESS； $\mathrm{ESS}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}[x_{\mathrm{ki}}-{\stackrel{\‾}{x_{k0}}}^2+y_{\mathrm{ki}}-{\stackrel{\‾}{y_{k0}}}^2+z_{\mathrm{ki}}-{\stackrel{\‾}{z_{k0}}}^2];$

重复选取第k个聚类中的其他点作为均值点，求出选取均值点之外的点与选取均值点的误差平方和ESS；获取误差平方和ESS最小的点作为第k个聚类的初始聚类中心(x_k，y_k，z_k)，按此方式分别选取出K个聚类的初始聚类中心；

(x_ki，y_ki，z_ki)为第k个聚类中第i个点的三维坐标值，k＝1，2，…，K，n表示第k个聚类中的所有点对象的总数；

S3.计算相似度：利用欧几里得距离公式求出K个聚类中剩余N-K个点对象分别到各个聚类的初始聚类中心点的距离，点i到第k个聚类的初始聚类中心点的距离为：

(x_i，y_i，z_i)为K个聚类中第i个点对象的三维坐标值，N表示K个聚类中所有点对象的总数；

对欧几里得距离取倒数后得到相似度：

当欧几里得距离为0时，相似度为1，即点对象与聚类中心重合；

S4.对所有点对象进行归类

根据相似度将聚类中所有的点对象归类到与其最相似的聚类中，即将点对象分配到与其相似度最大的聚类中；

S5.更新聚类中心

利用均值计算公式对各个聚类中所有点的三维坐标进行均值计算，求出的均值坐标点作为新的聚类中心：

$\stackrel{\‾}{x_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i+x_k}{n+1}$

$\stackrel{\‾}{y_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i+y_k}{n+1}$

$\stackrel{\‾}{z_k}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{z}_i+z_k}{n+1}$

为加入新点对象更新后的聚类中心的新三维坐标；

S6.重复迭代步骤S3、S4、S5，直到所有的聚类中心坐标保持不变或者所有样本点的方差不再变化时，停止迭代运算，所得到的各个聚类即为所提取出的3D扫描模块。

2.根据权利要求1所述的基于K-means聚类的水火弯板3D扫描模块的提取方法，其特征在于，所述步骤S1根据扫描数据集确定聚类的个数K的具体方式为：

当用户知道扫描数据集中包含多少个聚类时，K值由用户指定；

当用户不清楚数据集有多少个聚类或者对聚类的个数还不能明确时，则会对扫描数据集进行2次重采样产生2个数据子集，再用相同的聚类算法对2个数据子集进行聚类，产生2个具有k个聚类的聚类结果，计算2个聚类结果的相似度的分布情况；重复采用此方法，试探多个k，找到使相似度最高的k值，即为所求的K值。