Open3D DbScanClustering聚类算法及聚类分簇可视化及存储

DBSCAN聚类算法，是基于密度的聚类算法。该算法需要两个参数。

labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))

---

入参：

• eps： 定义到聚类邻居的距离
• min_points： 定义形成聚类所需的最小点数。

出参：

• 该函数返回一个标签，其中标签-1表示噪音。

该算法定义以选中的点开始蔓延，邻居点距离<=0.02米，最小有10个点就可以构成一个簇；适用于原始点云分隔的比较开的，有明显界限的点云。

原始点云被分成了10个聚簇，每个聚簇不同的颜色，只有3个聚簇的点数比较巨大，明显一些。另外右边角落有一块比较小的片段。

1. 效果图

点云聚类后分类别提取及可视化效果图如下：

官方例子算法效果：

控制台输出：

PointCloud with 196133 points.
[Open3D DEBUG] Precompute neighbors.
[Open3D DEBUG] Done Precompute neighbors.
[Open3D DEBUG] Compute Clusters
Precompute neighbors.[========================================] 100%
[Open3D DEBUG] Done Compute Clusters: 10
point cloud has 10 clusters
[0 0 0 ... 2 2 2] 196133
min:  -1  max:  9
(array([    23,     24,     25, ..., 196130, 196131, 196132], dtype=int64),)   type:  <class 'tuple'>  size:  190176
PointCloud with 5957 points.
zero_index:  (array([    0,     1,     2, ..., 38888, 38889, 39501], dtype=int64),)  size:  5957
label:  -1 点云数： 109
label:  0 点云数： 5957
label:  1 点云数： 25136
label:  2 点云数： 150429
label:  3 点云数： 11
label:  4 点云数： 24
label:  5 点云数： 14352
label:  6 点云数： 65
label:  7 点云数： 12
label:  8 点云数： 10
label:  9 点云数： 28

2. 源代码

# 
# 该算法需要两个参数。
# -eps： 定义到聚类邻居的距离
# -min_points： 定义形成聚类所需的最小点数。
# 该函数返回一个标签，其中标签-1表示噪音。>

import open3d as o3d
import matplotlib.pyplot as plt
import numpy as np

path = "./fragment.ply"
print(path)

pcd = o3d.io.read_point_cloud(path)
print(pcd)

# 定义以选中的点开始蔓延，邻居点距离0.02米的，最小有10个点，可以构成一个簇；适用于点云分隔的比较开的，一块一块的点云。
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))

max_label = labels.max()
print(f"point cloud has {max_label + 1} clusters")
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))

colors[labels < 0] = 0
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd], "o3d dbscanclusting origin", width=400, height=400)

print(labels, len(labels))
min = labels.min()
max = labels.max()
# print('min: ', min, " max: ", max)

# 打印聚类非0的点云下标，点云数
print(np.nonzero(labels), '  type: ', type(np.nonzero(labels)), ' size: ', len(np.array(np.nonzero(labels)[0])))

zero_index = np.where(labels == 0)  # 提取分类为0的聚类点云下标
zero_pcd = pcd.select_by_index(np.array(zero_index)[0])  # 根据下标提取点云点
print(zero_pcd)
print('zero_index: ', zero_index, " size: ", len(np.array(zero_index)[0]))

for label in range(min, max+1):
    label_index = np.where(labels == label)  # 提取分类为label的聚类点云下标
    label_pcd = pcd.select_by_index(np.array(label_index)[0])  # 根据下标提取点云点
    print('label: ', str(label), '点云数：', len(label_pcd.points))

    # 可视化
    o3d.visualization.draw_geometries([label_pcd], "o3d dbscanclusting " + str(label) + " results", width=400,
                                      height=400)
    # 分别按分类写入文件
    o3d.io.write_point_cloud("./" + str(label) + ".pcd", label_pcd)

参考

http://www.open3d.org/docs/release/tutorial/Basic/pointcloud.html#Access-estimated-vertex-normal