一種基于K-means聚類的水火彎板3D掃描模塊的提取方法
【專利摘要】本發(fā)明公開一種基于K-means聚類的水火彎板3D掃描模塊的提取方法，主要應(yīng)用于造船業(yè)中水火彎板的3D掃描模塊的提取領(lǐng)域，其主要包括以下步驟：（1）確定聚類中心個(gè)數(shù)K值；（2）選取初始聚類中心；（3）計(jì)算各點(diǎn)對象與各個(gè)聚類的相似度，然后將各個(gè)對象點(diǎn)依據(jù)相似度最大原理進(jìn)行歸類；（4）更新重新歸類后的各聚類中心的坐標(biāo)；（5）重復(fù)（3）、（4）步驟，直至聚類中心不再發(fā)生變化。本發(fā)明是以K-means聚類算法為基本出發(fā)點(diǎn)，結(jié)合工程項(xiàng)目實(shí)際完成3D掃描圖形模塊的提取工作，采用該方法能夠分類提取出利用3D掃描儀掃描出的三維圖像的各個(gè)模塊，達(dá)到分類、模塊化提取的效果。
【專利說明】一種基于K-means聚類的水火彎板3D掃描模塊的提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于K-means聚類算法的水火彎板是3D掃描圖像模塊的提取方 法，主要應(yīng)用于造船業(yè)中船體外板3D掃描成形模塊的提取。

【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的發(fā)展，人們生活水平得到顯著提高，物質(zhì)需求也隨之上升。而在圖 像處理領(lǐng)域，傳統(tǒng)的2D圖像正逐步被3D圖像所取代。3D掃描成形技術(shù)在最近十幾年得到 了迅猛的發(fā)展，并被成功的運(yùn)用于電影、軍事、醫(yī)療等領(lǐng)域，從而在世界范圍內(nèi)引起廣泛的 關(guān)注，并成為各研發(fā)機(jī)構(gòu)爭相研宄的對象。隨著3D掃描技術(shù)研宄的深入，圍繞其衍生出的 3D掃描圖像的輪廓識別、模塊提取技術(shù)也引起了各方的注意。如現(xiàn)今流行的人臉識別、數(shù)字 識別、三維空間重構(gòu)等技術(shù)都運(yùn)用了3D掃描圖像的輪廓識別、模塊提取技術(shù)。由此可見，圍 繞3D掃描成像衍生出的3D掃描圖像的輪廓識別、模塊提取技術(shù)在三維圖像處理技術(shù)中占 有不容忽視的重要作用。因此，對現(xiàn)有的3D掃描圖像的輪廓識別、模塊提取技術(shù)展開廣泛 的研宄和深入的分析對于現(xiàn)實(shí)工程以及科學(xué)研宄具有非常重要的意義。
[0003] 聚類分析是數(shù)據(jù)挖掘及機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的重點(diǎn)問題之一，在數(shù)據(jù)挖掘、模式識別、 決策支持、機(jī)器學(xué)習(xí)及圖像分割等領(lǐng)域有廣泛的應(yīng)用，是最重要的數(shù)據(jù)分析方法之一。而 K-means算法是一種使用最廣泛的基于劃分的聚類分析算法，是十大經(jīng)典數(shù)據(jù)挖掘算法之 一。它的基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對最靠近他們的對象歸類。通過迭 代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。該算法的最大優(yōu)勢在于簡 潔和快速，而其關(guān)鍵在于初始中心的選擇和相似度的計(jì)算，特點(diǎn)是各聚類內(nèi)盡可能緊湊，而 各聚類之間盡量分開。在以往的經(jīng)歷中，K-means算法已經(jīng)被成功運(yùn)用于多個(gè)領(lǐng)域，并取得 了良好的聚類效果。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了完善現(xiàn)有3D掃描圖像模塊的提取工作，提出一種基于K-means聚類的 水火彎板3D掃描模塊的提取方法，該提取方法以K-means聚類算法為基本出發(fā)點(diǎn)，結(jié)合工 程項(xiàng)目實(shí)際完成3D掃描圖形模塊的提取工作，采用該方法能夠分類提取出利用3D掃描儀 掃描出的三維圖像的各個(gè)模塊，達(dá)到分類、模塊化提取的效果。
[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0006] -種基于K-means聚類的水火彎板3D掃描模塊的提取方法，通過3D掃描獲取水 火彎板的掃描數(shù)據(jù)集，對掃描數(shù)據(jù)集進(jìn)行聚類分析獲取聚類結(jié)果，進(jìn)而提取出3D掃描模 塊；所述對掃描數(shù)據(jù)集進(jìn)行聚類分析獲取聚類結(jié)果的方式為：
[0007] SI.確定聚類的個(gè)數(shù)K值：根據(jù)掃描數(shù)據(jù)集確定聚類的個(gè)數(shù)K ;
[0008] S2.在K個(gè)聚類中分別選取各個(gè)聚類的初始聚類中心點(diǎn)，其選取過程為：
[0009] 選定第k個(gè)聚類，并從中隨機(jī)選出一個(gè)點(diǎn)設(shè)定為均值點(diǎn)（,yM ,ziQ)，采用 以下公式計(jì)算出第k個(gè)聚類中其他點(diǎn)與所設(shè)定均值點(diǎn)（&，^T,U)的誤差平均和

【權(quán)利要求】
1. 一種基于K-means聚類的水火彎板3D掃描模塊的提取方法，其特征在于，通過3D掃 描獲取水火彎板的掃描數(shù)據(jù)集，對掃描數(shù)據(jù)集進(jìn)行聚類分析獲取聚類結(jié)果，進(jìn)而提取出3D 掃描模塊；所述對掃描數(shù)據(jù)集進(jìn)行聚類分析獲取聚類結(jié)果的方式為：
51. 確定聚類的個(gè)數(shù)K值：根據(jù)掃描數(shù)據(jù)集確定聚類的個(gè)數(shù)K;
52. 在K個(gè)聚類中分別選取各個(gè)聚類的初始聚類中心點(diǎn)，其選取過程為：
重復(fù)選取第k個(gè)聚類中的其他點(diǎn)作為均值點(diǎn)，求出選取均值點(diǎn)之外的點(diǎn)與選取均值點(diǎn) 的誤差平方和ESS;獲取誤差平方和ESS最小的點(diǎn)作為第k個(gè)聚類的初始聚類中心（xk，yk， zk)，按此方式分別選取出K個(gè)聚類的初始聚類中心； (xki，yki，zki)為第k個(gè)聚類中第i個(gè)點(diǎn)的三維坐標(biāo)值，k= 1，2，…，K，n表示第k個(gè) 聚類中的所有點(diǎn)對象的總數(shù)；
53. 計(jì)算相似度：利用歐幾里得距離公式求出K個(gè)聚類中剩余N-K個(gè)點(diǎn)對象分別到各 個(gè)聚類的初始聚類中心點(diǎn)的距離，點(diǎn)i到第k個(gè)聚類的初始聚類中心點(diǎn)的距離為：
Upyi，Zi)為K個(gè)聚類中第i個(gè)點(diǎn)對象的三維坐標(biāo)值，N表示K個(gè)聚類中所有點(diǎn)對象的 總數(shù)； 對歐幾里得距離取倒數(shù)后得到相似度：
當(dāng)歐幾里得距離為0時(shí)，相似度為1，即點(diǎn)對象與聚類中心重合；
54. 對所有點(diǎn)對象進(jìn)行歸類 根據(jù)相似度將聚類中所有的點(diǎn)對象歸類到與其最相似的聚類中，即將點(diǎn)對象分配到與 其相似度最大的聚類中；
55. 更新聚類中心 利用均值計(jì)算公式對各個(gè)聚類中所有點(diǎn)的三維坐標(biāo)進(jìn)行均值計(jì)算，求出的均值坐標(biāo)點(diǎn) 作為新的聚類中心：

S6.重復(fù)迭代步驟S3、S4、S5,直到所有的聚類中心坐標(biāo)保持不變或者所有樣本點(diǎn)的方 差不再變化時(shí)，停止迭代運(yùn)算，所得到的各個(gè)聚類即為所提取出的3D掃描模塊。
2.根據(jù)權(quán)利要求1所述的基于K-means聚類的水火彎板3D掃描模塊的提取方法，其特 征在于，所述步驟S1根據(jù)掃描數(shù)據(jù)集確定聚類的個(gè)數(shù)K的具體方式為： 當(dāng)用戶知道掃描數(shù)據(jù)集中包含多少個(gè)聚類時(shí)，K值由用戶指定； 當(dāng)用戶不清楚數(shù)據(jù)集有多少個(gè)聚類或者對聚類的個(gè)數(shù)還不能明確時(shí)，則會對掃描數(shù)據(jù) 集進(jìn)行2次重采樣產(chǎn)生2個(gè)數(shù)據(jù)子集，再用相同的聚類算法對2個(gè)數(shù)據(jù)子集進(jìn)行聚類，產(chǎn)生 2個(gè)具有k個(gè)聚類的聚類結(jié)果，計(jì)算2個(gè)聚類結(jié)果的相似度的分布情況；重復(fù)采用此方法， 試探多個(gè)k，找到使相似度最高的k值，即為所求的K值。
【文檔編號】G06F17/30GK104484345SQ201410706240
【公開日】2015年4月1日 申請日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】韋寶剛, 程良倫 申請人:廣東工業(yè)大學(xué)