1

我正在尝试在已知 GPS 位置周围聚集照片（GPS + 时间戳）。

3d 点 = 2d + 时间戳。

比如：我在路上走，拍路灯柱，有的很有趣，所以拍了10张，有的没有，所以我就不拍了。

我想把我的照片聚集在灯柱周围，这样我就可以看到正在拍摄哪个灯柱。

我一直在研究像 k-means 聚类这样的东西，并且想要一些智能的东西，而不仅仅是将照片捕捉到最近的灯柱。

（我要用javascript为客户端应用程序编写代码，一次处理大约（2000,500）个点）

4

3 回答 3

1

基于密度的聚类，例如 DBSCAN，绝对是要走的路。

DBSCAN 的两个参数设置应该很明显：

  • epsilon：这是集群的半径，所以你可以使用 10 米，假设没有灯柱接近 10 米。（您应该使用大地距离，而不是欧几里得！）

  • minPts：本质上是集群的最小大小。您甚至可以使用 1 或 2。

  • 距离：这个参数是隐含的，但可能更重要。您可以在这里使用空间和时间的组合。例如，空间上 10 米，时域上 1 年。有关更灵活的版本，请参阅 Generalized DBSCAN，这使得如何使用多个域变得一目了然。

于 2013-08-25T12:46:52.367 回答
1

KMeans 聚类确实是一种流行且易于实现的算法，但它有几个问题。

  1. 您需要向他提供集群的数量 N作为输入变量。现在，由于我假设您不知道要拍摄多少“事物”，因此找到正确的 N。使用迭代 KMeans 或类似的变体只会使问题滑到为多集群分区找到合适的评估函数，这绝非易事然后找到 N 本身。

  2. 它只能检测线性可分的形状。假设您在凡尔赛宫周围走动，并拍摄了很多外墙的照片。然后你搬进去，给里面的花园拍照。您获得的两个形状是里面有一个圆盘的thorus，但KMeans 无法区分它们。

就个人而言，我会使用某种基于密度的聚类：您仍然需要为算法提供一些变量，但是，由于我们假设空间将是欧几里得，因此找到它们不应该花费太多。另外，它使您能够区分噪声点和聚类点，并让您以不同的方式对待它们。

此外，它可以区分大多数形状，并且您无需事先给出簇的数量。

于 2013-08-23T16:52:17.567 回答
0

您可以使用 delaunay 三角剖分来查找最近的点。它为您提供了一个最近邻图，其中点位于 delaunay 边上。或者您可以像照片马赛克一样按颜色进行聚类。它使用反极树。这是一个类似的答案：Algorithm to find for all points in set A the nearest neighbor in set B

于 2013-08-23T16:15:13.670 回答