1. DBSCAN算法原理
首先介绍该算法的主要概念与参数：
(1) ε值：样本与样本之间的距离阈值，如果样本A与样本B的距离小于该阈值，则认为样本A在样本B的邻域内，同时样本B也在样本A的邻域内。
(2) minPts：每一个样本的邻域内样本数阈值，如果该样本邻域内的样本数大于等于该阈值，则认为该样本是核心点。
(3) 核心点：即邻域内的样本数大于等于minPts的样本。如下图所示，如果样本A的邻域内（以A为圆心的圆内）样本数达到minPts以上，则认为A为核心点。
(4) 样本距离：欧式距离与曼哈顿距离是两种很常见的衡量数据样本距离的指标，假设有样本A(a1,a2,...,an)和样本B(b1,b2,...,bn)，那么A与B的欧式距离为：
曼哈顿距离为：
(5) 样本的访问标记：一开始将所有样本的标记设置为-1，表示所有样本都没有被访问。算法执行过程中，会遍历一遍所有样本，经过遍历的样本则将其标记置1，表示该样本已经被访问过，不用再处理。
(6) 样本的类编号：设置一个初始类编号为-1，分类过程中，每新增一个类，类编号加1。每当一个样本被归类到某一个类之后，该样本的类编号则设置为当前新增的类编号。所以可以通过判断该样本的类编号是否为-1来判断其是否已经被归类。
DBSCAN算法的核心思想是，判断每一个样本是不是核心点，如果是核心点，则对该样本及其邻域内的样本进行分类处理，具体处理流程如下：
下面我们使用C++和opencv实现DBSCAN算法，对灰度图像进行分类。样本就是灰度图像的每一个像素点，可以把每一个像素点看成一个三维向量，由x坐标、y坐标、像素值I(x,y)组成[x, y, I(x,y)]。为了简化计算，我们使用曼哈顿距离来计算各样本之间的距离。