KMeans函数的主要逻辑如下：

• 使用InitCenter函数初始化聚类中心，该函数根据体元密度选择初始聚类中心。该函数的输入参数包括数据（data）、聚类中心数量（centerNum）和体元数量（voxelNum）。
• 根据点云的取值范围计算包围盒的体积（V）和体元边长（d）。
• 根据体元边长将点云数据划分为体元，并记录每个体元的点集和点数量。
• 根据体元中的点数量计算点密度，并获取前K个点密度最大的体元作为初始聚类中心。
• 对初始聚类中心进行迭代优化，直到聚类中心不再发生变化或达到最大迭代次数。在每次迭代中，将每个点分配到距离最近的聚类中心，并计算新的聚类中心位置。
• 返回最终的聚类结果（clusters）和聚类中心位置（centers）。
• 接下来，代码在一个3D图形窗口中绘制聚类结果。它使用plot3函数分别绘制每个聚类的点集，并设置标题为"k-means聚类"。

InitCenter函数用于初始化聚类中心，它的主要逻辑如下：

• 根据点云的取值范围和体元数量计算体元边长（d）以及划分体元的行数（rows）、列数（cols）和高度（height）。
• 创建一个存储每个体元点集和点数量的数组。
• 遍历点云数据，将每个点分配到对应的体元，并更新点集和点数量。
• 将体元数组转换为二维数组并按点数量降序排序。
• 提取前K个点密度最大的体元作为初始聚类中心，计算每个体元的质心作为聚类中心位置。
<