Algorithm 在散乱数据中寻找区域

我在Nx3矩阵中有许多分散的数据集，下面是一个用

scatter3

绘制的简单示例（）： 我的每个数据集都有任意数量的区域/blob；例如，上面的例子有4个

有没有人知道一种简单的方法，可以通过编程来查找这种数据形式中的区域数

我最初的想法是使用

delaunay三角剖分

，

convexHull

方法，但没有任何数据处理，这仍然只能找到整个绘图的外部体积，而不是每个区域

我的下一个想法是获取每个点的最近邻统计数据，询问它是否在另一个点的网格大小距离内，然后将其中的数据集中到单独的斑点/簇中

---

有没有一个我不知道的更高级别的Matlab函数可以帮助我，或者有没有人对如何从这样的数据中提取区域计数有更好的建议？

确定数据集中不同簇的数量是一个棘手的问题，可能比我们第一眼看到的要困难。事实上，像k-means这样的算法在很大程度上依赖于此。有一篇很好的文章，但是没有清晰简单的方法

其中提到的方法似乎比较容易实现，但计算成本可能较高。本质上，您可以尝试使用不同数量的集群，并选择方差增长不大且趋于平稳的集群

---

此外，集群的概念需要明确定义-如果放大任何一个blob显示出与图片中的角结构相似的结构会怎么样？

确定数据集中不同集群的数量是一个棘手的问题，可能比我们第一眼看到的要难。事实上，像k-means这样的算法在很大程度上依赖于此。有一篇很好的文章，但是没有清晰简单的方法

其中提到的方法似乎比较容易实现，但计算成本可能较高。本质上，您可以尝试使用不同数量的集群，并选择方差增长不大且趋于平稳的集群

---

此外，集群的概念需要明确定义-如果放大任何一个blob显示出与图片中的角结构相似的结构，该怎么办？

听起来您需要一个集群算法。幸运的是，MATLAB提供了许多现成的功能。有很多算法可供选择，听起来你需要一些事先不知道集群数量的算法，对吗

如果是这种情况，并且您的数据与您的示例一样“好”，我建议结合一种技术，按照建议正确选择“k”

---

当然还有其他选项，我建议您在MATLAB中学习更多关于集群选项的知识，这里有一个很好的例子供您阅读

听起来你需要一个聚类算法。幸运的是，MATLAB提供了许多现成的功能。有很多算法可供选择，听起来你需要一些事先不知道集群数量的算法，对吗

如果是这种情况，并且您的数据与您的示例一样“好”，我建议结合一种技术，按照建议正确选择“k”

---

当然还有其他选项，我建议您在MATLAB中学习更多关于集群选项的知识，这里有一个很好的例子供您阅读

我建议实施高斯混合模型的“轻”版本。 让每个点为一个立方体“投票”。在上面的示例中，以（-1.5，-1.5,0）为中心的所有点

---

每一个都会在正方形[-1，-2]x[-1，-2]x[0.2，-0.2]上加一个+1。最后，您可以分析投票矩阵中的峰值。

我建议实现高斯混合模型的“光”版本。 让每个点为一个立方体“投票”。在上面的示例中，以（-1.5，-1.5,0）为中心的所有点

---

每一个都会在正方形[-1，-2]x[-1，-2]x[0.2，-0.2]上加一个+1。最后，您可以分析投票矩阵中的峰值。

为了完整性起见，对于这个问题（我已经构建了）有一个比分层聚类更简单的答案；这提供了更好的结果，可以区分1个集群或2个集群（我无法用MarkV的建议解决这个问题）。这假设您的数据位于已知大小的常规网格上，并且您有未知数量的群集，这些群集之间至少间隔2*（网格大小）：

%的想法如下：
%*我们有一个已知的网格大小dx。
%*随机点[也可以是极小值（1，：）]将位于
%如果列表中的任何其他值位于dx之外（具有一个维度
%变化），sqrt（2）*dx（二维变化）或sqrt（3）*dx（三维变化）
%尺寸不同）。
%*将这些对象链接在一起，直到找到所有对象，任意距离
%现在忽略集群的sqrt（3）*dx以外的部分。
%*将此群集放在一边，重复此操作，直到没有剩余最小值数据。
函数[blobs，clusterIdx]=findClusters（极小值，dx）
%问题设置
dx2=sqrt（2）*dx；
dx3=sqrt（3）*dx；
eqf=@（列表，dx，dx2，dx3）（abs（列表dx）<0.001；abs（列表dx2）<0.001；abs（列表dx3）<0.001）；
notDoneClust=true；
notDoneMinima=true；
clusterIdx=零（大小（最小值，1），1）；
点=最小值（1，：）；
列表=最小值（2：结束，：）；
blobs=0；
而不是多奈米玛
集群=nan（1,3）；
而不是不信任
[~，dist]=knSearch（点，列表）；%数据中每个点之间的所有距离
nnidx=eqf（距离，dx，dx2，dx3）；%查找要指向的nn值的索引
群集=类别（1，群集，点，列表（nnidx，：）；%将点添加到当前群集
点=列表（nnidx，：）；%要检查的点现在是相对于初始点nn的所有值
列表=列表（~nnidx，：）；%列表现在是不在该列表中的所有其他值
notDoneClust=~isempty（点）；%如果有
% Idea is as follows: 
% * We have a known grid size, dx. 
% * A random point [may as well be minima(1,:)] will be in a cluster of 
%   values if any others in the list lie dx away (with one dimention 
%   varied), sqrt(2)*dx (two dimensions varied) or sqrt(3)*dx (three 
%   dimensions varied).
% * Chain these objects together until all are found, any with distances
%   beyond sqrt(3)*dx of the cluster are ignored for now.
% * Set this cluster aside, repeat until no minima data is left.

function [blobs, clusterIdx] = findClusters(minima,dx)
%problem setup
dx2 = sqrt(2)*dx;
dx3 = sqrt(3)*dx;
eqf = @(list,dx,dx2,dx3)(abs(list-dx) < 0.001 | abs(list-dx2) < 0.001 | abs(list-dx3) < 0.001);
notDoneClust = true;
notDoneMinima = true;

clusterIdx = zeros(size(minima,1),1);
point = minima(1,:);
list = minima(2:end,:);
blobs = 0;

while notDoneMinima
    cluster = nan(1,3);

    while notDoneClust
        [~, dist] = knnsearch(point,list); %All distances to each other point in data
        nnidx = eqf(dist,dx,dx2,dx3); %finds indexes of nn values to point

        cluster = cat(1,cluster,point,list(nnidx,:)); %add points to current cluster
        point = list(nnidx,:); %points to check are now all values that are nn to initial point
        list = list(~nnidx,:); %list is now all other values that are not in that list

        notDoneClust = ~isempty(point); %if there are no more points to check, all values of the cluster have been found
    end
    blobs = blobs+1;
    clusterIdx(ismemberf(minima,cluster(2:end,:),'rows')) = blobs;

    %reset points and list for a new cluster
    if ~isempty(list)
        if length(list)>1
            point = list(1,:);
            list = list(2:end,:);
            notDoneClust = true;
        else
            %point is a cluster of its own. Don't reset loops, add point in
            %as a cluster and exit (NOTE: I have yet to test this portion).
            blobs = blobs+1;
            clusterIdx(ismemberf(minima,point,'rows')) = blobs;
            notDoneMinima = false;
        end
    else
        notDoneMinima = false;
    end
end
end