从传统到深度学习：浅谈点云分割中的图结构

随着3D扫描技术的进步，如何将点云的前景和背景正确分离成为点云处理的一个具有挑战性的问题。具体来说，就是给定一个对象位置的估计，目标是识别属于该对象的那些点，并将它们与背景点分开。除了将前景与背景分离的基本任务外，分割还有助于定位、分类和特征提取。根据人类视觉感知的原理，一个典型的2D图像的图割问题如图1所示。

图1  一个典型的图拓扑结构和分割示例。顶点（白点）在这里与5个最近的近邻点相连。边的成本由边的粗细反映。a）对象点和箭头所指向的背景点。b）种子点被相应的终端替换，新创建的终端边继承先前连接的种子点权重。c）图分割。浅灰色的顶点为前景对象，深灰色的是背景对象。

利用分割技术来识别空间上不均匀的连续区域，识别和图像索引等更高层次的问题也可以利用匹配中的分割结果，但在3D点云中分割对象的问题是具有挑战性的。例如前景通常与背景高度纠缠在一起，另外真实世界的数据具有大量噪点，采样不均匀等特点，例如地面扫描的点密度在扫描方向上较为密集，而周围较为稀疏；机载扫描对几乎垂直的表面采样则很差。此外，受设备自身技术参数的影响，使用不同设备采集得到的点云数据会导致不同物体之间的采样率存在相当大的差异，并且通常出现在同一物体的不同表面。受到计算机视觉和计算机图形学中图割技术的启发，众多学者将基于图切割的方法应用于点云的前景和背景分离，从而将3D表面分解为多个部分。

虽然点云中的图割方法是图像技术的扩展。但与图像技术明显不同，颜色或纹理信息一般不在点云的图割问题中使用，并且与大多数计算机图形分割问题不同&#x