基于点云的三维物体分割方法

自己学习过程中随手的笔记，可能不全，但包括了最主流的方法

（1）基于RANSAC的分割方法是一种基于几何数学模型的方法，原理简单，同时过程严格遵循数学模型，理论上能够保证分割结果不受噪声的影响，同时确保分割质量。但同时也因为严格遵循数学模型，导致无法适应复杂的没有合适的数学模型的三维模型。

RANSAC的基本原理：

可以参考博文：
https://blog.csdn.net/qq_36686437/article/details/106928207

（2）基于图的点云分割算法可以用来处理复杂场景的点云数据，算法对带噪声或密度不均的数据分割效果较好，但是这类算法的计算复杂度大，很难实时进行分割。

（3）基于预期增长的点云分割算法：（和超体素分割的思想类似）
注：超体素分割的具体内容，可见我的下篇博文。
目标：融合邻域范围内具有相似属性的点构成分割区域，同时保证不同的区域之间差异性较大。

主要的流程是：[1]确定种子曲面，[2]根据相似性进行区域生长。

该方向下各种方法的区别：区域之间的相似性原则不同。

影响这种方法的主要因素：种子的选取，和区域增长策略。

优点：速度快，很容易做成实时性的。也可以用来处理大规模场景的点云处理。

缺点：受增长策略的影响，容易出现过分割和欠分割的问题，有些时候无法得到精确的边界信息。

（4）基于聚类的方法：
此类方法在三维物体之间具有明显的分界时，能够实现很好的分割效果，其中现阶段我认为最好的聚类算法，要属DBSCAN

（5）基于深度学习的方法：
现阶段最火的方法，以PointNet系列文章开始，该方法是现阶段分割精度最好的方法。具体可以参考博文：
https://blog.csdn.net/qq_41918369/article/details/108803156