Open3D 点云DBSCAN密度聚类

参考笔记：

Open3D 点云DBSCAN密度聚类并保存聚类结果【2025最新版】_open3d 聚类后结果保存-CSDN博客

聚类的方法、原理以及一般过程-CSDN博客

常用聚类算法分析-CSDN博客

---

目录

一、聚类

        0. 聚类入门示例

        1. 定义

        2. 聚类和分类的区别

        3.聚类的方法

​二、DBSCAN聚类 

        1. 核心思想

        2. 算法详细流程

三、Open3D 实现

四、总结

---

一、聚类

        0. 聚类入门示例

        经典的 k-means 聚类：：左图是原始数据点，通过人眼观察发现大致可以分为 4 类，即 左上、左下、右上、右下

        所以取 k = 4，使用 k-means 算法后的聚类结果如下：

​        可以看到，将原始数据划分成 4 个簇（相同颜色为同一簇），即 4 类

        1. 定义

         聚类（Clustering）是按照某个特定标准（如距离）把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，而不在同一个簇中的数据对象的差异性也尽可能的大。简单来说聚类后同一类的数据尽可能聚集到一起，不同类数据尽可能分离

        2. 聚类和分类的区别

• 聚类（Clustering）：是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签。目标就是把相似的数据聚合到一起，是一种