作者：PCIPG-zzl | 來源：計算機視覺工坊

添加微信：dddvisiona，備注：3D點云，拉你入群。文末附行業(yè)細分群。

1 什么是點云分割

點云分割的目標是將點云數(shù)據(jù)中的點分成不同的組或類別，使每個組中的點都屬于同一種物體或區(qū)域。根據(jù)空間，幾何和紋理等特征對點云進行劃分，使同一劃分內(nèi)的點云擁有相似的特征。點云分割的目的是分塊，從而便于單獨處理。分割過程有助于從各個方面分析場景，例如定位和識別對象、分類和特征提取。

點云的有效分割是許多應用的前提：

• 工業(yè)測量/逆向工程：對零件表面提前進行分割，再進行后續(xù)重建、計算特征等操作。

• 遙感領域：對地物進行提前分割，再進行分類識別等工作

2 點云分割、分類和實例分割概念區(qū)分

點云分類（Point Cloud Classification）：點云分類是將點云中的每個點分配到預定義的類別或標簽中的任務。點云分類可用于識別點云中的不同物體或地物，例如識別建筑物、樹木、汽車等。為每個點分配一個語義標記。點云的分類是將點云分類到不同的點云集。同一個點云集具有相似或相同的屬性，例如地面、樹木、人等。點云分類也叫做點云語義分割。實例分割（Instance Segmentation）：實例分割是一種更高級的任務，它不僅要求識別點云中的不同物體或類別，還需要為每個物體中的每個點分配一個唯一的標識符，以區(qū)分不同實例。這使得實例分割能夠精確地區(qū)分出多個相同類別的物體，例如在一個點云場景中區(qū)分出多輛汽車或多棵樹。點云語義分割是指把一個大規(guī)模場景下的點云按照不同的類別給每個點云一個語義標簽，比如城市高速公路，所有的路燈會有一個相同的語義標簽，所有的路面會有 一個相同的語義標簽，所有的樹木會有同一個語義標簽。點云實例分割是在語義分割的基礎之上，把所有的路燈再一個一個分開，區(qū)別出來每一個路燈。這里也推薦「3D視覺工坊」新課程《三維點云處理：算法與實戰(zhàn)匯總》。

3 常見的點云分割算法

3.1 RANSAC算法

（Random Sample Consensus）隨機采樣一致性算法，采用迭代的方式從一組包含離群的被觀測數(shù)據(jù)中估算出數(shù)學模型的參數(shù)。RANSAC算法假設數(shù)據(jù)中包含正確數(shù)據(jù)和異常數(shù)據(jù)（或稱為噪聲），正確數(shù)據(jù)記為內(nèi)點（inliers），異常數(shù)據(jù)記為外點（outliers）該算法核心思想就是隨機性和假設性：隨機性是根據(jù)正確數(shù)據(jù)出現(xiàn)概率去隨機選取抽樣數(shù)據(jù)，根據(jù)大數(shù)定律，隨機性模擬可以近似得到正確結果。假設性是假設選取出的抽樣數(shù)據(jù)都是正確數(shù)據(jù)，然后用這些正確數(shù)據(jù)通過問題滿足的模型，去計算其他點 ，然后對這次結果進行一個評分。算法流程

1. 要得到一個直線模型，需要兩個點唯一確定一個直線方程。所以第一 步隨機選擇兩個點。

2. 通過這兩個點，可以計算出這兩個點所表示的模型方程y=ax+b。

1. 將所有的數(shù)據(jù)點套到這個模型中計算誤差。

2. 找到所有滿足誤差閾值的點。

1. 然后我們再重復1~4這個過程，直到達到一定迭代次數(shù)后，選出那個被 支持的最多的模型，作為問題的解。

RANSAC算法與最小二乘法區(qū)別RANSAC 算法：適用性：RANSAC主要用于處理包含噪音和異常值的數(shù)據(jù)集。它通過隨機采樣和迭代的方式來找到最佳擬合模型，忽略了外點的影響，因此在數(shù)據(jù)中含有大量噪音或少量異常值的情況下表現(xiàn)較好。步驟：RANSAC通過隨機選擇內(nèi)點樣本進行模型擬合，并通過計算內(nèi)點和模型之間的誤差來判斷外點。它迭代地選擇具有最大內(nèi)點數(shù)的模型作為最終擬合模型。優(yōu)點：魯棒性較強，能夠在存在噪音和異常值的情況下仍然得到合理的模型估計。最小二乘法：適用性：最小二乘法假設數(shù)據(jù)中的噪音較小，且異常值較少。它通過最小化數(shù)據(jù)點與模型之間的誤差平方和來得到最佳擬合模型，適用于數(shù)據(jù)比較干凈的情況。求解：最小二乘法可以直接求解或優(yōu)化模型參數(shù)的解析解，對于線性問題尤其有效。然而，在存在較多噪音或異常值時，最小二乘法容易受到這些數(shù)據(jù)點的影響，導致估計結果不準確。優(yōu)點：在數(shù)據(jù)相對干凈，噪音較小的情況下，最小二乘法能夠得到精確的模型估計。RANSAC算法被廣泛應用在計算機視覺領域和數(shù)學領域，例如直線擬合、平面擬合、計算圖像或點云間的變換矩陣、計算基礎矩陣等方面，使用的非常多?？傊?，RANSAC和最小二乘法適用于不同類型的數(shù)據(jù)情況。RANSAC適用于含有噪音和異常值的數(shù)據(jù)，能夠通過迭代的方式找到魯棒性較強的模型。最小二乘法適用于相對干凈的數(shù)據(jù)，能夠得到精確的模型估計，但容易受到噪音和異常值的影響。在實際應用中，根據(jù)數(shù)據(jù)的特點選擇合適的方法以獲得準確的模型估計。

pcl::ModelCoefficients::Ptr?coefficients(new?pcl::ModelCoefficients);
pcl::PointIndices::Ptr?inliers(new?pcl::PointIndices);??//inliers用來存儲直線上點的索引
pcl::SACSegmentation<pcl::PointXYZ>?seg;//創(chuàng)建一個分割器
seg.setOptimizeCoefficients(true);??????//可選擇配置，設置模型系數(shù)需要優(yōu)化
seg.setModelType(pcl::SACMODEL_LINE);???//設置目標幾何形狀
seg.setMethodType(pcl::SAC_RANSAC);?????//擬合方法：隨機采樣法
seg.setDistanceThreshold(0.05);?????????//設置誤差容忍范圍，也就是閾值
seg.setMaxIterations(500);??????????????//最大迭代次數(shù)，不設置的話默認迭代50次
seg.setInputCloud(cloud);???????????????//輸入點云
seg.segment(*inliers,?*coefficients);???//擬合點云

3.2 歐式聚類算法

歐式聚類算法（Euclidean Clustering）是一種將點云數(shù)據(jù)分割成不同聚類（簇）的算法。它是點云分割中的一種常用方法，旨在將距離比較近的點分為同一簇，從而識別出不同的物體或結構。這個算法主要適用于包含較小噪音和具有一定距離差異的點云數(shù)據(jù)。基本思想：

1. 選擇一個種子點（Seed Point）作為當前簇的起始點。

2. 遍歷所有未分類的點，計算它們與種子點的距離。如果距離小于設定的閾值，將其歸為同一簇。

3. 對于同一簇中的點，重復步驟2，將與當前簇內(nèi)任一點距離小于閾值的點加入簇。

4. 切換到下一個未分類的點，作為新的種子點，繼續(xù)重復步驟2和3。

5. 當所有點都被分類為某個簇，聚類過程結束。

pcl::search::KdTree<pcl::PointXYZ>::Ptr?tree?(new?pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud?(cloud_filtered);

std::vector<pcl::PointIndices>?cluster_indices;
pcl::EuclideanClusterExtraction<pcl::PointXYZ>?ec;
ec.setClusterTolerance?(0.02);?//?2cm
ec.setMinClusterSize?(100);
ec.setMaxClusterSize?(25000);
ec.setSearchMethod?(tree);
ec.setInputCloud?(cloud_filtered);
ec.extract?(cluster_indices);

一個桌子的場景圖經(jīng)過歐式聚類算法效果如下圖所示。

3.3 區(qū)域增長算法

區(qū)域生長算法（Region Growing）是一種用于圖像處理和分割的算法，主要用于將點云中的點分成不同的區(qū)域，從而識別出具有相似特性的區(qū)域。區(qū)域生長算法基于相似性原則，將相似度高的點聚集在一起，形成連續(xù)的區(qū)域。算法步驟：1.初始化：選擇一個種子點，并將其標記為“已訪問”。2.根據(jù)設定的相似性準則，計算當前點與種子的相似度。3.如果當前點與種子相似度超過設定閾值，則將其標記為當前區(qū)域的一部分，并將其加入當前區(qū)域。4.遍歷當前點的鄰居（相鄰點），對每個鄰居執(zhí)行以下步驟：如果鄰居未被訪問過且與當前區(qū)域的相似度超過設定閾值，則將其標記為“已訪問”并添加到當前區(qū)域。遞歸地對鄰居的鄰居進行相似性判斷，將相似的像素或點添加到當前區(qū)域。5.重復步驟4，直到當前區(qū)域不能再生長為止。6.如果還存在未訪問的點，選擇一個未訪問的點作為新的種子，重復上述步驟。7.當所有點都被分配到區(qū)域后，分割過程結束。這里也推薦「3D視覺工坊」新課程《三維點云處理：算法與實戰(zhàn)匯總》。

pcl::RegionGrowing<pcl::PointXYZ,?pcl::Normal>?reg;
reg.setMinClusterSize?(50);
reg.setMaxClusterSize?(1000000);
reg.setSearchMethod?(tree);
reg.setNumberOfNeighbours?(30);
reg.setInputCloud?(cloud);
reg.setIndices?(indices);
reg.setInputNormals?(normals);
reg.setSmoothnessThreshold?(3.0?/?180.0?*?M_PI);
reg.setCurvatureThreshold?(1.0);

算法是針對小曲率變化面設計的，尤其適合對連續(xù)階梯平面進行分割

4 參考資料

https://blog.csdn.net/luolaihua2018/article/details/120113848https://pcl.readthedocs.io/projects/tutorials/en/master/index.html#sample-consensus

—END—

高效學習3D視覺三部曲

第一步 加入行業(yè)交流群，保持技術的先進性

目前工坊已經(jīng)建立了3D視覺方向多個社群，包括SLAM、工業(yè)3D視覺、自動駕駛方向，細分群包括：[工業(yè)方向]三維點云、結構光、機械臂、缺陷檢測、三維測量、TOF、相機標定、綜合群；[SLAM方向]多傳感器融合、ORB-SLAM、激光SLAM、機器人導航、RTK|GPS|UWB等傳感器交流群、SLAM綜合討論群；[自動駕駛方向]深度估計、Transformer、毫米波|激光雷達|視覺攝像頭傳感器討論群、多傳感器標定、自動駕駛綜合群等。[三維重建方向]NeRF、colmap、OpenMVS等。除了這些，還有求職、硬件選型、視覺產(chǎn)品落地等交流群。大家可以添加小助理微信: dddvisiona，備注：加群+方向+學校|公司, 小助理會拉你入群。

第二步 加入知識星球，問題及時得到解答

針對3D視覺領域的視頻課程（三維重建、三維點云、結構光、手眼標定、相機標定、激光/視覺SLAM、自動駕駛等）、源碼分享、知識點匯總、入門進階學習路線、最新paper分享、疑問解答等進行深耕，更有各類大廠的算法工程人員進行技術指導。與此同時，星球將聯(lián)合知名企業(yè)發(fā)布3D視覺相關算法開發(fā)崗位以及項目對接信息，打造成集技術與就業(yè)、項目對接為一體的鐵桿粉絲聚集區(qū)，6000+星球成員為創(chuàng)造更好的AI世界共同進步，知識星球入口：「3D視覺從入門到精通」

學習3D視覺核心技術，掃描查看，3天內(nèi)無條件退款

第三步 系統(tǒng)學習3D視覺，對模塊知識體系，深刻理解并運行

如果大家對3D視覺某一個細分方向想系統(tǒng)學習[從理論、代碼到實戰(zhàn)],推薦3D視覺精品課程學習網(wǎng)址：www.3dcver.com

科研論文寫作：

[1]國內(nèi)首個面向三維視覺的科研方法與學術論文寫作教程

基礎課程：

[1]面向三維視覺算法的C++重要模塊精講：從零基礎入門到進階

[2]面向三維視覺的Linux嵌入式系統(tǒng)教程[理論+代碼+實戰(zhàn)]

[3]如何學習相機模型與標定？（代碼+實戰(zhàn)）

[4]ROS2從入門到精通：理論與實戰(zhàn)

[5]徹底理解dToF雷達系統(tǒng)設計[理論+代碼+實戰(zhàn)]

工業(yè)3D視覺方向課程：

[1]（第二期）從零搭建一套結構光3D重建系統(tǒng)[理論+源碼+實踐]

[2]保姆級線結構光（單目&雙目）三維重建系統(tǒng)教程

[3]機械臂抓取從入門到實戰(zhàn)課程（理論+源碼）

[4]三維點云處理：算法與實戰(zhàn)匯總

[5]徹底搞懂基于Open3D的點云處理教程！

[6]3D視覺缺陷檢測教程：理論與實戰(zhàn)！

SLAM方向課程:

[1]深度剖析面向機器人領域的3D激光SLAM技術原理、代碼與實戰(zhàn)

[1]徹底剖析激光-視覺-IMU-GPS融合SLAM算法：理論推導、代碼講解和實戰(zhàn)

[2]（第二期）徹底搞懂基于LOAM框架的3D激光SLAM：源碼剖析到算法優(yōu)化

[3]徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析

[4]徹底剖析室內(nèi)、室外激光SLAM關鍵算法和實戰(zhàn)(cartographer+LOAM+LIO-SAM)

[5]（第二期）ORB-SLAM3理論講解與代碼精析

視覺三維重建

[1]徹底搞透視覺三維重建：原理剖析、代碼講解、及優(yōu)化改進)

自動駕駛方向課程：

[1]?深度剖析面向自動駕駛領域的車載傳感器空間同步（標定）

[2]?國內(nèi)首個面向自動駕駛目標檢測領域的Transformer原理與實戰(zhàn)課程

[3]單目深度估計方法：算法梳理與代碼實現(xiàn)

[4]面向自動駕駛領域的3D點云目標檢測全棧學習路線！(單模態(tài)+多模態(tài)/數(shù)據(jù)+代碼)

[5]如何將深度學習模型部署到實際工程中？（分類+檢測+分割）

最后

1、3D視覺文章投稿作者招募

2、3D視覺課程（自動駕駛、SLAM和工業(yè)3D視覺）主講老師招募

3、頂會論文分享與3D視覺傳感器行業(yè)直播邀請文章來源地址http://www.zghlxwxcb.cn/news/detail-761997.html

到了這里，關于大盤點！匯總點云分割算法，涉及RANSAC、歐式聚類、區(qū)域增長等的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！