共计 1077 个字符，预计需要花费 3 分钟才能阅读完成。

点云聚类基础概念

点云聚类是将三维空间中的离散点按照某种规则分组的过程。想象一下把洒落的芝麻分成若干小堆——这就是聚类的本质。在现实中，它常用于：

• 自动驾驶中分离道路上的车辆、行人
• 林业调查时区分单棵树木
• 工业检测中识别零件表面缺陷区域

CloudCompare 的聚类算法工具箱

1. DBSCAN 算法

基于密度的经典方法，适合处理不规则形状的聚类。就像用渔网捞鱼：

• eps：网眼大小（搜索半径）
• minPts：最小鱼群数量（核心点邻域阈值）

优势在于能自动发现噪声点（孤立的鱼），但对密度不均的数据效果会打折扣。

2. 欧式聚类

更直观的距离阈值法，类似用固定大小的篮子装苹果：

• 距离阈值 ：篮子直径
• 最小点数 ：每个篮子至少装几个苹果

计算速度通常比 DBSCAN 快，但要求聚类间距明显。

实战操作指南

Python 示例（PyCloudCompare）

import pycloudcompare as pcc

# 加载点云
cloud = pcc.load_point_cloud('scene.ply')

# DBSCAN 聚类
dbscan_labels = cloud.cluster_dbscan(eps=0.5, min_pts=10)

# 欧式聚类
euclidean_labels = cloud.cluster_euclidean(dist_thresh=0.3, min_cluster_size=20)

# 可视化结果
pcc.visualize([cloud.with_scalar(dbscan_labels), 
               cloud.with_scalar(euclidean_labels)])

关键参数说明：

• eps：通常设为点云平均间距的 2 - 3 倍
• min_pts：建议从 10 开始尝试
• dist_thresh：应大于噪声点的波动幅度

性能对比实测

使用 10 万点的测试数据：

注意：当点密度差异大时，DBSCAN 可能需要分层处理。

避坑指南

1. 参数陷阱
2. DBSCAN 的 eps 过大导致多个物体被合并

3. 欧式聚类阈值太小使得单个物体被分割

4. 预处理要点

5. 务必先进行去噪

6. 大场景建议先做体素降采样

7. 硬件优化

8. 超过百万级点云时启用 OpenMP 并行
9. GPU 加速插件可提升 2 - 4 倍速度

进阶思考

1. 如何自动确定最佳 eps 参数？（提示：尝试 k 距离图）
2. 对于带状分布的点云（如电力线），哪种算法更合适？
3. 怎样将聚类结果转换为三维模型？（研究泊松重建）

实际使用时发现，超市货架点云的聚类效果很大程度上取决于货品间距。有次把牙膏和牙刷聚类到了一起，后来把 eps 从 0.4 调到 0.3 就完美解决了——这大概就是参数调试的乐趣吧。