共计 1485 个字符，预计需要花费 4 分钟才能阅读完成。
背景：为什么需要点云聚类？
点云数据是通过激光雷达或深度相机采集的三维空间中的离散点集合，每个点包含 XYZ 坐标信息，可能还有 RGB 颜色或反射强度等属性。在实际应用中，我们需要将点云中属于同一物体的点归类到一起，这个过程就是聚类。
- 场景理解：自动驾驶中需要区分行人、车辆、建筑物
- 物体分割：工业检测中分离零件和背景
- 数据压缩：减少后续处理的计算量
常见聚类算法对比
1. DBSCAN（基于密度的聚类）
- 优点：不需要预设类别数，能发现任意形状的簇
- 缺点：对参数（eps, min_samples）敏感
- 适用场景：物体间距明显、密度不均匀的情况
2. 欧式聚类（Euclidean Clustering）
- 优点：计算效率高，适合大规模点云
- 缺点：对噪声敏感
- 适用场景：物体间距均匀的室内场景
3. K-Means
- 优点：实现简单，收敛快
- 缺点：需要预先指定 K 值，对非球形簇效果差
- 适用场景：已知物体数量的简单场景
实战：Python 代码实现
import open3d as o3d
import numpy as np
# 1. 加载点云数据
pcd = o3d.io.read_point_cloud("sample.pcd")
o3d.visualization.draw_geometries([pcd]) # 可视化原始点云
# 2. 预处理：降采样
voxel_size = 0.02 # 体素大小（米）pcd_down = pcd.voxel_down_sample(voxel_size)
# 3. 执行 DBSCAN 聚类
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
labels = np.array(pcd_down.cluster_dbscan(eps=0.05, min_points=10, print_progress=True))
# 4. 可视化结果
max_label = labels.max()
colors = plt.get_cmap("tab20")(labels / max_label)
pcd_down.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd_down])关键参数说明：
eps：邻域半径，决定两个点是否属于同一簇min_points：形成簇所需的最小点数voxel_size：降采样粒度，值越大点云越稀疏
性能优化技巧
- 降采样处理
- 使用体素网格滤波（Voxel Grid Filter）减少点数
-
平衡精度和效率，通常 0.01-0.05 米比较合适
-
加速邻域搜索
- 构建 KD-tree 加速最近邻查询
-
Open3D 中默认自动启用
-
并行计算
- 设置
print_progress=True可查看进度 - 大数据集可分块处理
常见问题与调试
- 问题 1 ：所有点被归为一个簇
-
解决：减小 eps 值或增加 min_points
-
问题 2 ：噪声点过多
-
解决：增加 min_points 或先做离群点去除
-
问题 3 ：小物体被忽略
- 解决：减小 voxel_size 和 eps 值
进阶思考
如何评估聚类效果？
- 人工检查可视化结果
- 计算轮廓系数（Silhouette Score）
- 在已知 ground truth 时用调整兰德指数（ARI）
动态点云处理
- 时序一致性：利用前一帧结果初始化
- 运动补偿：先做点云配准再聚类
结语
点云聚类是 3D 视觉的基础操作，本文介绍的 DBSCAN 方法在大多数场景下表现良好。实际应用中需要根据具体场景调整参数，建议先用小规模数据测试再扩展到全数据集。下一步可以尝试将聚类结果用于目标检测或 SLAM 等高级任务。
正文完
