CloudCompare点云聚类分割实战：从算法原理到工程优化

1次阅读

共计 1848 个字符，预计需要花费 5 分钟才能阅读完成。

在三维重建、自动驾驶和工业检测等领域，点云聚类分割（Point Cloud Clustering/Segmentation）是核心预处理步骤。通过将离散的点云数据划分为具有相似特征的区域，我们可以识别物体、提取特征或进行后续分类。然而，传统方法在处理大规模点云时常常面临两大挑战：

内存溢出：当点云数据达到千万级时，普通 PC 的内存（如 16GB）很容易被耗尽
计算耗时：传统暴力搜索算法的复杂度高达 $O(n^2)$，处理百万级点云可能需要数小时

CloudCompare 主要提供了两种聚类算法，与 PCL（Point Cloud Library）的实现对比如下：

算法名称	时间复杂度	适用场景	CloudCompare 特点
欧式聚类(Euclidean)	$O(n\log n)$	均匀密度点云	基于 KD-Tree 加速
区域生长(RegionGrowing)	$O(n^2)$	带法向量的结构化点云	支持颜色 / 曲率约束
PCL 的 DBSCAN	$O(n^2)$	噪声较多的点云	需要额外编译集成

CloudCompare 的核心聚类方法位于CCCoreLib::ScalarFieldTools::segment，其工作流程如下：

空间索引构建 ：使用八叉树(Octree) 对点云进行空间划分，将 3D 空间递归细分为八个子立方体
邻域搜索：对于每个种子点，在半径 $r$ 内快速查找邻近点，利用空间索引将搜索复杂度从 $O(n)$ 降到 $O(\log n)$
聚类判定：当邻域内点数大于 $N_{min}$ 时，将当前点加入聚类集合

针对点云密度不均匀问题，推荐使用动态阈值公式：

$$Threshold = \mu + k\sigma$$

其中：
– $\mu$ 是局部点云平均密度
– $\sigma$ 是密度标准差
– $k$ 为经验系数（建议 0.5~1.5）

#include <CCCoreLib/PointCloudTpl.h>
#include <CCCoreLib/ScalarFieldTools.h>

void clusterPointCloud(CCCoreLib::GenericIndexedCloudPersist* cloud) {
    // 参数设置
    double radius = 0.05;  // 搜索半径(m)
    int minPts = 10;       // 最小聚类点数

    // 创建标量字段存储聚类 ID
    int sfIdx = cloud->addScalarField("ClusterID");

    try {
        // 执行聚类（关键方法）CCCoreLib::ScalarFieldTools::segment(
            cloud,           // 输入点云
            sfIdx,           // 标量字段索引
            CCCoreLib::DistanceComputationTools::EUCLIDEAN_DIST,
            radius,
            minPts
        );

        // 保存结果
        cloud->getScalarField(sfIdx)->computeMinAndMax();
        cloud->setCurrentDisplayedScalarField(sfIdx);
    } catch (const std::bad_alloc&) {
        cerr << "内存不足！建议尝试以下方案：\n"
             << "1. 增大搜索半径减少计算量 \n"
             << "2. 使用点云下采样";
    }

    // 释放资源
    cloud->deleteScalarField(sfIdx);
}

在不同点云规模下的处理耗时对比（单位：秒）：