open3d：随机采样一致性分割平面

### Open3D 点云分割方法概述 #### 平面分割 对于点云中的平面检测，Open3D 提供了一种基于RANSAC（随机样本一致性）的方法来拟合几何模型。此方法能够有效地识别出场景内的平坦表面，比如地面、墙壁等。通过设定最大迭代次数和距离阈值参数，可以调整算法性能以适应不同精度需求的应用场合[^1]。 ```python import open3d as o3d def plane_segmentation(pcd, distance_threshold=0.01, ransac_n=3, num_iterations=1000): """ 对输入的点云执行平面分割 参数: pcd (open3d.geometry.PointCloud): 输入点云对象 distance_threshold (float): 距离阈值，默认为0.01米 ransac_n (int): RANSAC每次选取的数据点数，默认取三个点构成一个平面 num_iterations (int): 进行多少次采样尝试 返回: tuple: 分割后的内群和平面系数向量(a,b,c,d)，以及剩余点云 """ plane_model, inliers = pcd.segment_plane(distance_threshold, ransac_n=ransac_n, num_iterations=num_iterations) inlier_cloud = pcd.select_by_index(inliers) outlier_cloud = pcd.select_by_index(inliers, invert=True) return inlier_cloud, plane_model, outlier_cloud ``` #### 欧式聚类 当目标是从复杂环境中分离出独立的对象时，欧式聚类提供了一个有效的解决方案。这种方法依据空间位置关系将相似特性的点聚集在一起形成簇(cluster)。为了提高效率，通常会先对原始数据应用降维技术如体素下采样(voxel downsampling)[^2]。 ```python from sklearn.cluster import DBSCAN import numpy as np def euclidean_clustering(pcd, eps=0.02, min_points=10): """ 使用DBSCAN实现欧氏聚类 参数: pcd (open3d.geometry.PointCloud): 输入点云对象 eps (float): 半径大小，默认设为0.02m min_points (int): 成为一簇所需的最少点数量 返回: list of ndarray: 各个簇对应的索引列表 """ points = np.asarray(pcd.points) clustering = DBSCAN(eps=eps, min_samples=min_points).fit(points) labels = clustering.labels_ unique_labels = set(labels) clusters_indices = [] for label in unique_labels: if label != -1: # 噪声点标记为-1不予考虑 cluster_idx = np.where(labels == label)[0] clusters_indices.append(cluster_idx.tolist()) return clusters_indices ``` #### 最小图割法 针对某些特殊情况下的精确分割任务，最小图割(min-cut)提供了另一种思路。它构建了一个由源节点(source node)、汇节点(sink node)及中间各点组成的加权有向图(weighted directed graph),并通过寻找使总成本最小化的切割路径完成最终划分工作[^3]。 #### 区域生长算法 最后介绍的是区域增长(region growing)方式，这是一种自底向上(bottom-up approach)的过程，即从选定的一个或几个起始点出发逐步扩展直至满足停止条件为止。该方案特别适用于那些形状较为规整的目标物提取操作中[^4]。 ```python import copy def region_growing_segmentation(pcd, seed_point=None, max_distance=0.02): """ 实现简单的区域生长分割 参数: pcd (open3d.geometry.PointCloud): 输入点云对象 seed_point (tuple or None): 种子点坐标(x,y,z); 若未指定则自动挑选最凹处作为起点 max_distance (float): 新增成员的最大允许偏差范围，默认设置为0.02m 返回: segmented_pcd (open3d.geometry.PointCloud): 已经被分隔出来的部分 """ processed = copy.deepcopy(pcd) tree = o3d.geometry.KDTreeFlann(processed) if not isinstance(seed_point, tuple): curvatures = [] for point in processed.points: _, idxs, _ = tree.search_knn_vector_3d(point, knn=8) neighbors = np.array([processed.points[i] for i in idxs]) cov_matrix = np.cov((neighbors - point).T) eigenvalues = sorted(np.linalg.eigvals(cov_matrix)) curvature = eigenvalues[-1]/sum(eigenvalues) if sum(eigenvalues)>0 else 0. curvatures.append(curvature) seed_point = processed.points[np.argmin(curvatures)] visited = {seed_point} queue = [seed_point] while len(queue) > 0: current_pt = queue.pop() _, indices, distances = tree.search_radius_vector_3d(current_pt, radius=max_distance) new_neighbors = [ pt for dist,pt,idx in zip(distances,indices,[processed.points[idx] for idx in indices]) if dist<=max_distance and pt not in visited ] visited.update(new_neighbors) queue.extend(new_neighbors) mask = np.zeros(len(processed.points), dtype=bool) for v in visited: mask[list(processed.points).index(v)] = True segmented_pcd = processed.select_by_index(list(range(len(mask)))[mask]) return segmented_pcd ```