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，主要應用于造船業(yè)中水火彎板的3D掃描模塊的提取領域，其主要包括以下步驟：（1）確定聚類中心個數(shù)K值；（2）選取初始聚類中心；（3）計算各點對象與各個聚類的相似度，然后將各個對象點依據(jù)相似度最大原理進行歸類；（4）更新重新歸類后的各聚類中心的坐標；（5）重復（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，結合工程項目實際完成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模塊，達到分類、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

【技術領域】
[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】
[0002] 隨著科學技術的發(fā)展，人們生活水平得到顯著提高，物質需求也隨之上升。而在圖 像處理領域，傳統(tǒng)的2D圖像正逐步被3D圖像所取代。3D掃描成形技術在最近十幾年得到 了迅猛的發(fā)展，并被成功的運用于電影、軍事、醫(yī)療等領域，從而在世界范圍內(nèi)引起廣泛的 關注，并成為各研發(fā)機構爭相研宄的對象。隨著3D掃描技術研宄的深入，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、三維空間重構等技術都運用了3D掃描圖像的輪廓識別、模塊提取技術。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、模塊提取技術在三維圖像處理技術中占 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、模塊提取技術展開廣泛 的研宄和深入的分析對于現(xiàn)實工程以及科學研宄具有非常重要的意義。
[0003] 聚類分析是數(shù)據(jù)挖掘及機器學習領域內(nèi)的重點問題之一，在數(shù)據(jù)挖掘、模式識別、 決策支持、機器學習及圖像分割等領域有廣泛的應用，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個點為中心進行聚類，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果。該算法的最大優(yōu)勢在于簡 潔和快速，而其關鍵在于初始中心的選擇和相似度的計算，特點是各聚類內(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)被成功運用于多個領域，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，結合工 程項目實際完成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模塊，達到分類、模塊化提取的效果。
[0005] 為了實現(xiàn)上述目的，本發(fā)明的技術方案如下：
[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)集進行聚類分析獲取聚類結果，進而提取出3D掃描模 塊；所述對掃描數(shù)據(jù)集進行聚類分析獲取聚類結果的方式為：
[0007] SI.確定聚類的個數(shù)K值：根據(jù)掃描數(shù)據(jù)集確定聚類的個數(shù)K ;
[0008] S2.在K個聚類中分別選取各個聚類的初始聚類中心點，其選取過程為：
[0009] 選定第k個聚類，并從中隨機選出一個點設定為均值點（,yM ,ziQ)，采用 以下公式計算出第k個聚類中其他點與所設定均值點（&，^T,U)的誤差平均和

【權利要求】
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)集進行聚類分析獲取聚類結果，進而提取出3D 掃描模塊；所述對掃描數(shù)據(jù)集進行聚類分析獲取聚類結果的方式為：
51. 確定聚類的個數(shù)K值：根據(jù)掃描數(shù)據(jù)集確定聚類的個數(shù)K;
52. 在K個聚類中分別選取各個聚類的初始聚類中心點，其選取過程為：
重復選取第k個聚類中的其他點作為均值點，求出選取均值點之外的點與選取均值點 的誤差平方和ESS;獲取誤差平方和ESS最小的點作為第k個聚類的初始聚類中心（xk，yk， zk)，按此方式分別選取出K個聚類的初始聚類中心； (xki，yki，zki)為第k個聚類中第i個點的三維坐標值，k= 1，2，…，K，n表示第k個 聚類中的所有點對象的總數(shù)；
53. 計算相似度：利用歐幾里得距離公式求出K個聚類中剩余N-K個點對象分別到各 個聚類的初始聚類中心點的距離，點i到第k個聚類的初始聚類中心點的距離為：
Upyi，Zi)為K個聚類中第i個點對象的三維坐標值，N表示K個聚類中所有點對象的 總數(shù)； 對歐幾里得距離取倒數(shù)后得到相似度：
當歐幾里得距離為0時，相似度為1，即點對象與聚類中心重合；
54. 對所有點對象進行歸類 根據(jù)相似度將聚類中所有的點對象歸類到與其最相似的聚類中，即將點對象分配到與 其相似度最大的聚類中；
55. 更新聚類中心 利用均值計算公式對各個聚類中所有點的三維坐標進行均值計算，求出的均值坐標點 作為新的聚類中心：

S6.重復迭代步驟S3、S4、S5,直到所有的聚類中心坐標保持不變或者所有樣本點的方 差不再變化時，停止迭代運算，所得到的各個聚類即為所提取出的3D掃描模塊。
2.根據(jù)權利要求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)集確定聚類的個數(shù)K的具體方式為： 當用戶知道掃描數(shù)據(jù)集中包含多少個聚類時，K值由用戶指定； 當用戶不清楚數(shù)據(jù)集有多少個聚類或者對聚類的個數(shù)還不能明確時，則會對掃描數(shù)據(jù) 集進行2次重采樣產(chǎn)生2個數(shù)據(jù)子集，再用相同的聚類算法對2個數(shù)據(jù)子集進行聚類，產(chǎn)生 2個具有k個聚類的聚類結果，計算2個聚類結果的相似度的分布情況；重復采用此方法， 試探多個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