点云学习之点云分割之导语

点云分割

点云分割目的：将点云分为多个同质区域，分割在同一区域中的点云具有相似的性质。

点云分割难点：

• 数据的冗余；
• 点密度的不均匀性；
• 在数据结构表示上，缺乏明确统一的点云数据结构;

点云分割应用：智能驾驶（intelligent vehicles）、自动制图（autonomous mapping）、导航（navigation）等。

        参考文献：Nguyen A, Le B. 3D point cloud segmentation: A survey[M]. 2013.

点云分割算法：

点云分割的第一步：分离显著点（foreground）与背景点（background），eg：常见的有地面点与非地面点分离；

基础性的分割算法：通过点云的基本属性：法向、粗糙度、边界凹凸度等。这类算法常用于：凸包分解、分水岭算法、分层聚类、区域生长和光谱聚类，这些算法广泛的应用于基于区域的分割算法。

在计算机视觉领域，对于2D图像的分割算法中，比较突出的算法是图割算法（graph-cut algorithm）：包括正则化图割（normalized cuts）与最小割（min cuts）。

点云分割算法应该具备三个属性：

• 分割算法应考虑到不同地物块的具体属性；
• 分割算法应推断出相邻分割块的属性关系；
• 分割算法应适用于不同扫描仪获得的点云数据。

基于点云的分割算法分类：

（一）基于边界的分割算法（Edge based methods）

（二）基于区域的分割算法（Region based methods）

（三）基于属性的分割算法（Attributes based methods）

（四）基于模型的分割算法（Model based methods）

（五）基于图割的分割算法（Graph based methods）