CloudCompare 点云聚类实战：从数据预处理到结果可视化全流程解析

1次阅读

没有评论

共计 1751 个字符，预计需要花费 5 分钟才能阅读完成。

点云聚类在三维数据处理中应用广泛，比如自动驾驶中的障碍物识别、地质勘探中的岩层分割等。但对于新手来说，往往会遇到以下几个问题：

算法选择困难：面对 DBSCAN、K-Means 等多种算法，不知道哪种更适合自己的数据
参数调优复杂：特别是像 DBSCAN 的 eps 和 minPts 参数，需要反复试验
结果可视化不直观：聚类后的点云难以直观展示和验证效果

常见的点云聚类算法有：

K-Means：需要预先指定聚类数量，不适合密度不均匀的点云
层次聚类：计算复杂度高，难以处理大规模数据
DBSCAN：基于密度，能自动识别聚类数量，适合处理噪声

DBSCAN 的优势在于：

不需要预先指定聚类数量
能够识别任意形状的聚类
可以有效处理噪声点

首先我们需要对原始点云进行预处理，这里使用 Open3D 库完成：

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("input.pcd")

# 统计滤波去噪
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)

# 体素化降采样
voxel_down_pcd = cl.voxel_down_sample(voxel_size=0.05)

# 保存预处理后的点云
o3d.io.write_point_cloud("processed.pcd", voxel_down_pcd)

导入数据：File > Open，选择预处理后的点云文件
启动聚类工具：Plugins > Segmentation > DBSCAN
参数设置：
Epsilon (eps)：建议从 0.1 开始尝试
Min points：一般设为 10-30
勾选 ”6-connected” 加速计算
点击 ”Compute” 运行算法

聚类完成后，我们可以用 Python 提取并可视化结果：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN

# 从 CloudCompare 导出聚类结果
points = np.loadtxt("clusters.txt")

# DBSCAN 聚类
db = DBSCAN(eps=0.1, min_samples=15).fit(points)
labels = db.labels_

# 可视化
unique_labels = set(labels)
colors = [plt.cm.Spectral(each) for each in np.linspace(0, 1, len(unique_labels))]

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

for k, col in zip(unique_labels, colors):
    if k == -1:  # 噪声点
        col = [0, 0, 0, 1]

    class_member_mask = (labels == k)
    xyz = points[class_member_mask]
    ax.scatter(xyz[:,0], xyz[:,1], xyz[:,2], color=col, s=1)

plt.show()