[发明专利]一种基于K-means聚类的水火弯板3D扫描模块的提取方法

权利要求书

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；ESS=Σi=0n[xki-xk0‾2+yki-yk0‾2+zki-zk0‾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：

xk‾=Σi=1nxi+xkn+1]]>

yk‾=Σi=1nyi+ykn+1]]>

zk‾=Σi=1nzi+zkn+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。