三维点云学习（4）2-mean shift & dbscan
mean shift
hill climbing爬山算法
1个圆包含的点尽可能最多：
step1:随机选取一个点作为radius的圆的中心
step2:把圆中的所有点加起来算means
step3:把新的means作为新的圆的圆心
step4:不断重复step2 to step3,直到圆的圆心不再变化
优劣：
如果点的分布是高斯分布，效果较好，如果分布较散取决于初始化的点
mean shift步骤
step1.先选一个圆
step2-step3.把圆挪到不再动的地方
step4.重复 1，2，3步N次，不断爬山，把重叠的圆去掉(MMS),剩下多少个圆就有多少个类
step5.nearest-neighbor search对于每个点寻找每个点离 在上步分出的K个圆哪个距离最近，最近则属于那个圆(类)
mean shift复杂度
DBSCAN
DBSCAN步骤
Parameters: distance r ：半径；min_sample：最小样本；core point：核心点
step1.随机选一个unvisited 的点p，构建以p为圆心，半径为r的圆。
step2.if 圆里的点 > min_sample：
yes：认为p是一个核心点，创建新的类 cluster C，goto step3，标记 p 为visited
no：标记p为一个噪点 and visited
step3.
a.以p为圆心，r为半的点，里的所有点，归属于cluster C；
b.并且遍历每个点，去寻找new core point。
eg.new core point的寻找:遍历每个点的过程中国，对点进行Radius NN，倘若圆中的点>min_sample,可标记为new point point，继续遍历，重复step3，知道出现边界点退出。
step4.把属于cluster C的点从数据库中剔除，goto step1继续寻找其他类
Noise:噪点
Core:核心点
Border：边界点 ，在step3.b遍历点寻找new point core中，出现 圆中的点< min_sample ,可认为该点就是cluster C的边界点
DBSCAN复杂度，优劣
DBSCAN高密度的点会被低密度的点分离
compare with five clustering method
Spectral clustering效果最好，耗时长，其次DBSCAN，耗时短
