【学习笔记】点云自动化聚类简要总结

聚类是将将具有相似特征划分为相同点集的操作。

基于空间邻近性的方法

核心思想：依据点的空间距离进行分组

• 欧式聚类（DBSCAN，KD-tree)
  原理：基于半径搜索和最小点数扩展簇。
  优点：适应不规则形状，无需预设簇数量。
• 区域生长聚类
• 原理：从种子点出发，合并法向量/曲率相似的临近点。
• 使用场景：便面连续物体（管道、墙面）。
  调参建议：首先，固定角度阈值，调整knn数目，观察簇的完整性。其次，使用曲率分布统计（如均值±标准差）动态设定角度阈值；或根据点云密度（平均最近邻距离）推导knn。最后，验证指标，评估簇内紧密度和簇间的分离度。

基于特征相似性的方法

核心思想：结合几何/颜色/反射率等特征聚类。

• K-Means/GMM
  原理：在特征空间（坐标+颜色+法向量）迭代划分。
  优化：使用PCA降维加速计算。

• 超体素聚类
  原理：将点云转为体素网格，合并相似体素（颜色/法线）。

超体素（Supervoxel）是点云中的一种局部结构单元，类似于图像中的超像素（Superpixel），能够将点云划分为具有相似几何/颜色特征的局部块。超体素聚类方法通常比传统欧式聚类更适应复杂场景。
主要的超体素聚类方法：
（1）VCCS (Voxel Cloud Connectivity Segmentation)
原理：将点云体素化，并在体素空技能进行区域生长，合并颜色、法向量和空间距离相似的体素。
特点：适用于RGB-D数据，计算效率高。
（2）SLIC (Simple Linear Iterative Clustering) 3D版
原理：将K-means思想扩展到3D空间，初始化种子点迭代优化超体素边界。
特点：计算快，适合均匀分布点云。
（3）LCCP (Locally Convex Connected Patches)
原理：在超体素基础上，进一步合并局部凸区域，适合复杂拓扑结构（如交叉管道）。
LCCP是一种基于超体素的进阶聚类方法，专门解决复杂拓扑结构（如交叉管道、树枝状物体）的分割问题。核心思想是：
a. 超体素生成：先用VCCS等方法将点云划分为超体素。
b. 凸性验证合并：对相邻超体素进行局部凸性判断，合并满足凸性条件的超体素。
关键概念：
凸性条件：若两个超体素交界处的凹凸角度超过阈值，则判定为非凸连接，不合并。
拓扑保持：通过凸性检查避免国服合并交叉结构。
算法优缺点：
优点：
保留复杂拓扑：通过凸性检查避免交叉结构的错误合并。
多特征融合：支持颜色、法向量等特征参与分割。
缺点：
计算复杂度高：相比VCCS增加凸性验证步骤。
依赖超体素质量：若初始超体素划分不佳，最终受限。
调参建议：
a. 初步测试：固定凸性阈值，调整knn控制凸性检查范围。
b. 后处理：对LCCP结果进行欧式聚类，移除小簇。
c. 可视化验证：用可视化软件检查交界处分割边界是否合理。
通过LCCP方法，可以显著提升复杂场景下的点云分割精度，尤其在工业检测和生物医学领域表现优异。

（4）ETPS (Efficient Topology Preserving Segmentation)
原理：基于图论优化超体素合并，保持拓扑结构。

基于图论的方法

核心思想：将点云建模为图结构进行分割。

• 最小割（MIn Cut）：
  基于点间相似度构建图，优化切割代价。
• 谱聚类
  对图的拉普拉斯矩阵特征分解降维后聚类。

场景需求	拟定方法
简单几何分割	欧式聚类
复杂特征物体	超体素+VCCS
实时处理	基于KD-Tree的快速欧式聚类
高精度语义分割	深度学习

基于深度学习的端到端聚类

核心思想：神经网络直接输出点簇标签。
PointNet++/DGCNN
通过特征提取+聚类头（如MeanShift）实现。
实例分割网络（如PointInst）
同时完成检测与聚类。

评估指标

• 内部指标：轮廓稀疏（Silhouettes Score）
• 外部指标：Adjusted Range Index （ARI）
• 可视化验证：按簇着色检查边界清晰度

常见可统计的体素信息

统计项	含义	用途举例
点数密度	每个体素中包含多少点	识别异常密集/稀疏区域，判断缺陷，设备位置等
法向量方差	点云法向量方向的一致性	判断结构是否平整，识别边界/破损/扰动区域
坐标方差/均值	每个体素内的空间分布特征	可用于局部平整度分析，或提取通道形状
反射强度均值/方差	有反射强度字段的情况下（intensity）	判断材质差异、识别金属/混凝土/反光物质等
曲率均值	每个体素点的曲率平均值	提取拱顶、仰拱等曲面特征
主成分分析特征	每个体素内点云的主方向	用于几何结构建模、边缘检测等

• 示例目标与统计建议

目标	建议统计项
判断隧道结构完整性	点密度、法向量方差、曲率
提取拱顶和仰拱区域	曲率均值、法向量方向、Z坐标均值
分析施工缺陷	点密度异常、曲率极大值、PCA扁平性指标
准备语义分割特征	点密度、曲率、法向量一致性、强度