寻找一种聚类3d点的算法，在2d点附近

Question

我试图将照片(GPS +时间戳)集中在已知的GPS位置上。

3d点= 2d +时间戳。

例如:我走在路上，拍路灯柱的照片，有些很有趣，所以我拍了10张照片，其他的没有，所以我什么都不拍。

我想把我的照片聚集在灯柱周围，让我可以看到哪个灯柱被拍照了。

我一直在看一些类似k-意思的聚类，我想要一些智能的东西，而不仅仅是把照片拍到最近的路灯柱。

(我将用javascript为客户端应用程序编写代码，每次处理(2000,500)点)

Answer 1

KMeans聚类确实是一种流行且易于实现的算法，但它存在一些问题。

1. 您需要将集群的数 N作为输入变量提供给他。现在，由于我假设您不知道需要照相的“东西”有多少，所以使用迭代的KMeans或类似的变体找到正确的N只会将问题转移到为多集群分区找到适当的评估函数，这绝不比找到N本身容易。
2. 它只能检测线性可分形状。比方说，你在凡尔赛走来走去，你拍了很多外墙的照片。然后你搬进去，拍下里面花园的照片。你得到的这两个形状是一个刺，里面有一个圆盘，但KMeans无法区分它们。

就我个人而言，我将使用某种密度聚类：您仍然需要为算法提供一些变量，但是，既然我们假设空间是欧几里德的，那么查找它们就不会花费太多时间。此外，它还使您能够区分噪声点和集群点，并让您以不同的方式对待它们。

此外，它还可以区分大多数形状，并且不需要事先给出集群的数量。

Answer 2

基于密度的集群(如DBSCAN )无疑是可行的。

DBSCAN的两个参数应该非常明显地设置：

• epsilon:这是聚类的半径，所以你可以用10米，假设没有超过10米的灯柱。(你应该使用大地测量距离，而不是欧几里德！)
• minPts:本质上是集群的最小大小。你甚至可以用1或2。
• 距离:这个参数是隐式的，但可能更重要。你可以在这里使用空间和时间的组合。例如，10米的空间，和1年的时间域。有关更灵活的版本，请参见通用DBSCAN，该版本清楚地说明了如何使用多个域。

Answer 3

您可以使用delaunay三角剖分来寻找最近的点。它给出了一个最近的邻域图，其中点在delaunay边。或者你可以按颜色聚在一起，就像照片镶嵌一样。它使用了一棵反杆树。下面是一个类似的答案：求集合A中所有点的算法--集B中的最近邻