CloudCompare点云聚类方法深度解析：从欧式聚类到区域生长

1次阅读

没有评论

共计 2262 个字符，预计需要花费 6 分钟才能阅读完成。

点云聚类作为三维数据处理的基础操作，在多个领域有着广泛的应用。对于开发者来说，理解这些应用场景能帮助我们更好地选择聚类方法：

自动驾驶 ：通过聚类分割出车辆、行人、障碍物等不同对象，为路径规划提供输入。在实际道路场景中，点云往往密度不均且包含大量噪声，这对聚类算法的鲁棒性提出了较高要求。
工业检测 ：在自动化生产线上，聚类可用于分离多个零件或识别缺陷部位。工业场景的点云通常结构规整但存在反光、遮挡等问题。
地形测绘 ：区分地面、植被、建筑物等地物类型。这类应用对算法处理大规模点云的效率有较高要求。

欧式聚类基于简单的距离阈值原理，是最常用的聚类方法之一。其数学原理可以表示为：

$$
C_i = {p_j \in P \mid |p_j – p_{center}| < d_{thresh}}
$$

其中 $d_{thresh}$ 是距离阈值，$p_{center}$ 是聚类中心点。

适用场景 ：
– 点云中各物体间距明显
– 对计算效率要求高的实时应用
– 点云密度较均匀的情况

优缺点分析 ：
– 优点：实现简单，计算速度快
– 缺点：对密度变化敏感，无法处理接触物体

区域生长算法基于法向量或曲率相似性进行聚类，其生长条件可表示为：

$$
\theta(\vec{n_i}, \vec{n_j}) < \theta_{thresh} \quad \text{且} \quad |c_i – c_j| < c_{thresh}
$$

适用场景 ：
– 需要分割光滑曲面
– 物体间接触但表面特征不同
– 对分割精度要求高的应用

优缺点分析 ：
– 优点：能处理接触物体，分割边界更精确
– 缺点：计算量大，需要预计算法向量

#include <pcl/segmentation/extract_clusters.h>

// 构建 KD 树加速搜索
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(cloud);

// 欧式聚类对象
std::vector<pcl::PointIndices> cluster_indices;
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.02); // 2cm 距离阈值
ec.setMinClusterSize(100);    // 最小聚类点数
ec.setMaxClusterSize(25000);  // 最大聚类点数
ec.setSearchMethod(tree);
ec.setInputCloud(cloud);
ec.extract(cluster_indices);

关键参数说明：
– setClusterTolerance()：影响聚类粒度，值太大会导致过度合并
– setMinClusterSize()：过滤噪声点，根据场景调整
– setMaxClusterSize()：防止内存溢出，特别处理大场景时重要

#include <pcl/segmentation/region_growing.h>

// 先计算法向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
// ... 法向量计算设置...

// 区域生长
pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
reg.setMinClusterSize(50);
reg.setMaxClusterSize(1000000);
reg.setSearchMethod(tree);
reg.setNumberOfNeighbours(30);    // 考察的邻域点数
reg.setSmoothnessThreshold(3.0/180*M_PI); // 法向量角度阈值 (弧度)
reg.setCurvatureThreshold(1.0);   // 曲率阈值
reg.setInputCloud(cloud);
reg.setInputNormals(normals);
reg.extract(clusters);

调优技巧：
– 法向量估计的邻域半径影响曲面拟合质量
– 平滑度阈值通常设为 3 -10 度之间
– 曲率阈值用于区分平面和曲面区域

我们在不同点云密度下测试了两种算法的耗时 (ms)：