✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
MeanShift作为聚类方法之一，在视觉领域有着广泛的应用，尤其是作为深度学习回归后的后处理模块而存在着。
接下来，我们先介绍下基本功能流程，然后会用代码的形式来分析。
一、算法原理：
MeanShift，顾名思义，由Mean（均值）和shift（偏移）组成。也就是有一个点x，周围有很多点xi，我们计算点x移动到每个点所需要的偏移量之和，求平均，就得到平均偏移量。该偏移量包含大小和方向 ，方向就是周围分布密集的方向。然后点x往平均偏移量方向移动，再以此为新起点，不断迭代直到满足一定条件结束。
中心点就是我们上面所说的 
周围的小红点就是 
黄色的箭头就是我们求解得到的平均偏移向量。那么图中“大圆圈”是什么东西呢？我们上面所说的周围的点 周围是个什么概念？总的有个东西来限制一下吧。那个“圆圈”就是我们的限制条件，或者说在图像处理中，就是我们搜索迭代时的窗口大小。
步骤1、首先设定起始点 ，我们说了，是球，所以有半径 ， 所有在球内的点就是 , 黑色箭头就是我们计算出来的向量 , 将所有的向量 进行求和计算平均就得到我们的meanshift 向量，也就是图中黄色的向量。
接着，再以meanshift向量的重点为圆心，再做一个高维的球，如下图所示，重复上面的步骤，最终就可以收敛到点的分布中密度最大的地方
⛄ 代码
load A %读取点云数据load POINT %读取点云边界点数据figure(1);plot3(A(:,1),A(:,2),A(:,3),'g.');hold on;plot3(POINT(:,1),POINT(:,2),POINT(:,3),'r.');OX=[50,0,0]';OY=[0,50,0]';OZ=[0,0,50]';xlabel('X轴');ylabel('Y轴');zlabel('Z轴');axis equal;rotate3d on;quiver3(0,0,0,OX(1),OX(2),OX(3),'color',[1 0 0 ],'LineWidth',2);quiver3(0,0,0,OY(1),OY(2),OY(3),'color',[0 1 0 ],'LineWidth',2);quiver3(0,0,0,OZ(1),OZ(2),OZ(3),'color',[0 0 1 ],'LineWidth',2);title('原始点云与边界点')hold off;[cc]=Mean_shift_7171(POINT,A); %对边界点聚类,返回值为每个类簇的中心
function [CC]=Mean_shift_7171(c,A)data=c;%mean shift 算法 [m,n]=size(data); index=1:m; radius=10; %搜索半径设定stopthresh=1e-3*radius; %阈值设定visitflag=zeros(m,1);%标记是否被访问 count=[]; clustern=0; clustercenter=[]; while length(index)>0 cn=ceil((length(index)-1e-6)*rand);%随机选择一个未被标记的点，作为圆心，进行均值漂移迭代 center=data(index(cn),:); this_class=zeros(m,1);%统计漂移过程中，每个点的访问频率 %步骤2、3、4、5 while 1 %计算球半径内的点集 dis=sum((repmat(center,m,1)-data).^2,2); radius2=radius*radius; innerS=find(dis<radius*radius); visitflag(innerS)=1;%在均值漂移过程中，记录已经被访问过得点 this_class(innerS)=this_class(innerS)+1; newcenter=zeros(1,3); sumweight=0; for i=1:length(innerS) w=exp(dis(innerS(i))/(radius*radius)); sumweight=w+sumweight; newcenter=newcenter+w*data(innerS(i),:); end newcenter=newcenter./sumweight; if norm(newcenter-center) <stopthresh %计算漂移距离，如果漂移距离小于阈值，那么停止漂移 break; end center=newcenter; end %步骤6 判断是否需要合并，如果不需要则增加聚类个数1个 mergewith=0; for i=1:clustern betw=norm(center-clustercenter(i,:)); if betw<radius/2 mergewith=i; break; end end if mergewith==0 %不需要合并 clustern=clustern+1; clustercenter(clustern,:)=center; count(:,clustern)=this_class; else %合并 clustercenter(mergewith,:)=0.5*(clustercenter(mergewith,:)+center); count(:,mergewith)=count(:,mergewith)+this_class; end %重新统计未被访问过的点 index=find(visitflag==0); end%结束所有数据点访问 %绘制分类结果，仅只画出前4个类簇，可根据自己需要作调整画图。for i=1:m [value index]=max(count(i,:)); Idx(i)=index; end figure(2); plot3(A(:,1),A(:,2),A(:,3),'g.');hold on; for i=1:m if Idx(i)==1; plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','y', 'MarkerSize',5); elseif Idx(i)==2; plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','b', 'MarkerSize',5); elseif Idx(i)==3; plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','r', 'MarkerSize',5); elseif Idx(i)==4; plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','w', 'MarkerSize',5);% elseif Idx(i)==5;% plot3(data(i,1),data(i,2),data(i,3),'o','MarkerEdgeColor','k','MarkerFaceColor','w', 'MarkerSize',5);% '% '% ' end end for k = 1:clustern CC(k,:)=[clustercenter(k,1),clustercenter(k,2),clustercenter(k,3)];end OX=[50,0,0]';OY=[0,50,0]';OZ=[0,0,50]';xlabel('X轴');ylabel('Y轴');zlabel('Z轴');axis equal;rotate3d on;quiver3(0,0,0,OX(1),OX(2),OX(3),'color',[1 0 0 ],'LineWidth',2);quiver3(0,0,0,OY(1),OY(2),OY(3),'color',[0 1 0 ],'LineWidth',2);quiver3(0,0,0,OZ(1),OZ(2),OZ(3),'color',[0 0 1 ],'LineWidth',2);hold offtitle('Mean shift对边界点聚类');
⛄ 运行结果
⛄ 参考文献
[1] 张良, 周佳雯, 张谦,等. 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统:, CN108171131A[P]. 2018.
[2] 石少青张乐平张本松吴昊文连新凯杜书帅. 基于Meanshift聚类和孪生网络的非侵入式负荷辨识方法[J]. 电气传动, 2022, 52(24):67-74.
[3] 孙正林, 邹峥嵘, 吴爱琴. 一种改进的MeanShift点云数据滤波[J]. 测绘工程, 2011, 20(5):3.
