3D点云聚类实战：基于DBSCAN的高效分割与优化策略

1次阅读

没有评论

共计 1735 个字符，预计需要花费 5 分钟才能阅读完成。

在自动驾驶和机器人导航中，3D 点云聚类是环境感知的关键步骤。然而，传统聚类方法如 K -means 在处理点云数据时存在明显的局限性。

噪声敏感性 ：点云数据通常包含大量噪声，K-means 对噪声点非常敏感，容易导致聚类结果偏离实际物体形状。
非均匀分布问题 ：点云数据的密度往往不均匀，K-means 假设聚类呈球形且大小相似，这在实际场景中很难满足。
需要预先指定 K 值 ：在动态环境中，物体的数量是变化的，预先指定 K 值不现实。

这些问题使得 K -means 在点云聚类中表现不佳，我们需要寻找更鲁棒的替代方案。

针对点云聚类的特点，我们对比了几种常见算法：

欧式聚类 ：简单高效，但对密度变化敏感，需要人工设置距离阈值。
区域生长算法 ：基于法向量或曲率进行分割，适合连续表面，但计算量大。
DBSCAN：基于密度的方法，自动确定簇数量，对噪声鲁棒，能处理任意形状的簇。

选择 DBSCAN 的核心原因：

不需要预先指定簇数量
能够识别噪声点
可以处理不同密度的簇
对任意形状的簇都有效

import open3d as o3d
import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.neighbors import KDTree

def compute_adaptive_eps(points, k=5):
    """
    计算自适应 ε 参数
    :param points: 点云数据 (N,3)
    :param k: 最近邻数量
    :return: 建议的 ε 值
    """
    tree = KDTree(points)
    distances, _ = tree.query(points, k=k+1)  # 包含自身点
    avg_dist = np.mean(distances[:, k])  # 第 k 个最近邻的距离
    return avg_dist * 1.5  # 经验系数

def cluster_point_cloud(pcd, eps=None, min_points=10):
    """
    点云聚类主函数
    :param pcd: Open3D 点云对象
    :param eps: DBSCAN 半径参数，None 则自动计算
    :param min_points: 最小邻域点数
    :return: 带聚类标签的点云
    """
    # 获取点坐标
    points = np.asarray(pcd.points)

    # 自动计算 eps
    if eps is None:
        eps = compute_adaptive_eps(points)

    # 执行 DBSCAN 聚类
    db = DBSCAN(eps=eps, min_samples=min_points).fit(points)
    labels = db.labels_

    # 为点云添加颜色标签
    max_label = labels.max()
    colors = plt.cm.tab20(np.linspace(0, 1, max_label + 1))
    pcd.colors = o3d.utility.Vector3dVector(colors[labels][:, :3])

    return pcd

我们测试了不同规模点云数据的处理时间（单位：秒）：