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