DBSCAN是一种基于密度的聚类方法，其将点分为核心点与非核心点，后续采用类似区域增长方式进行处理。下图为DBSCAN聚类结果，可见其可以对任意类别的数据进行聚类，无需定义类别数量。
DBSCAN聚类说明
DBSCAN聚类过程如下：
1、首先，DBSCAN算法会以任何尚未访问过的任意起始数据点为核心点，并对该核心点进行扩充。这时我们给定一个半径/距离ε，任何和核心点的距离小于ε的点都是它的相邻点。
2、如果核心点附近有足够数量的点，则开始聚类，且选中的核心点会成为该聚类的第一个点。如果附近的点不够，那算法会把它标记为噪声（之后这个噪声可能会成为簇中的一部分）。在这两种情形下，选中的点都会被标记为“已访问”。
3、一旦聚类开始，核心点的相邻点，或者说以该点出发的所有密度相连的数据点（注意是密度相连）会被划分进同一聚类。然后我们再把这些新点作为核心点，向周围拓展ε，并把符合条件的点继续纳入这个聚类中。
4、重复步骤2和3，直到附近没有可以扩充的数据点为止，即簇的ε邻域内所有点都已被标记为“已访问”。
5、一旦我们完成了这个集群，算法又会开始检索未访问过的点，并发现更多的聚类和噪声。一旦数据检索完毕，每个点都被标记为属于一个聚类或是噪声。
与其他聚类算法相比，DBSCAN有一些很大的优势。首先，它不需要输入要划分的聚类个数。其次，即使数据点非常不同，它也会将它们纳入聚类中，DBSCAN能将异常值识别为噪声，这就意味着它可以在需要时输入过滤噪声的参数。第三，它对聚类的形状没有偏倚，可以找到任意大小和形状的簇。
DBSCAN的主要缺点是，当聚类的密度不同时，DBSCAN的性能会不如其他算法。这是因为当密度变化时，用于识别邻近点的距离阈值ε和核心点的设置会随着聚类发生变化。而这在高维数据中会特别明显，因为届时我们会很难估计ε。
从已有的聚类效果上来看，将一些点定义成噪声点，没有进行聚类。因此也可以理解成这样：先对点进行去噪处理，再使用距离聚类（如欧氏聚类）实现点的聚类。
对三维点云数据的聚类结果如下：
基于C++编写的源代码下载地址：
https://download.csdn.net/download/qq_32867925/86246799
只需要将三个头文件加载到工程中即可
DBSCAN核心代码：
DBSCANKdtreeCluster<pcl::PointXYZ> ec;
ec.setCorePointMinPts(10);
// test 4. uncomment the following line to test the EuclideanClusterExtraction
// pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(cloud);
std::vector<pcl::PointIndices> cluster_indices;
ec.setClusterTolerance(0.1);//搜索近邻点半径
ec.setMinClusterSize(100);//最小簇点数要求
ec.setMaxClusterSize(5000000);//最大簇点数限制
ec.setSearchMethod(tree);
ec.setInputCloud(cloud);
ec.extract(cluster_indices);
clock_t end_ms = clock();
std::cout << "cluster time cost:" << double(end_ms - start_ms) / CLOCKS_PER_SEC << " s" << std::endl;
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_clustered(new pcl::PointCloud<pcl::PointXYZI>);
int j = 0;
// visualization, use indensity to show different color for each cluster.
for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin(); it != cluster_indices.end(); it++, j++) {
for (std::vector<int>::const_iterator pit = it->indices.begin(); pit != it->indices.end(); ++pit) {
pcl::PointXYZI tmp;
tmp.x = cloud->points[*pit].x;
tmp.y = cloud->points[*pit].y;
tmp.z = cloud->points[*pit].z;
tmp.intensity = j % 8;
cloud_clustered->points.push_back(tmp);
}
}
从另一个角度可见，DBSCAN是距离聚类的另一种形式，其相比较于常规距离聚类而言，多了核心点判别过程。