基于快速欧几里得聚类的点云分割方法

最新推荐文章于 2024-10-26 22:01:12 发布
最新推荐文章于 2024-10-26 22:01:12 发布
阅读量462 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 聚类 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/QfcaLinux/article/details/133059756
点云 专栏收录该内容
136 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了基于快速欧几里得聚类（FEC）的点云分割方法，该方法通过计算点之间的欧几里得距离进行聚类，适用于点云数据的分割。点云分割在机器人、计算机视觉和自动驾驶等领域有广泛应用。文章包括数据预处理、邻居搜索、距离计算、聚类和分割结果提取等步骤，并提供了Python实现的示例代码。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

点云数据是一种常用的三维场景表示形式，它在许多领域中都有广泛的应用，例如机器人、计算机视觉和自动驾驶等。点云分割是点云处理中的一个重要任务，旨在将点云数据划分为具有相似特征的子集。本文介绍了基于快速欧几里得聚类（FEC）的点云分割方法，并给出了相应的源代码。

快速欧几里得聚类是一种高效的点云分割算法，其核心思想是通过计算点之间的欧几里得距离来确定点的邻居关系，并根据邻居间的距离进行聚类。下面是基于FEC算法的点云分割的详细步骤：

  1. 数据预处理：对点云数据进行预处理，如去噪、降采样等操作，以提高后续聚类的效果和速度。

  2. 邻居搜索：对于每个点，根据设定的半径大小，在点云中搜索其邻居点。可以使用kd树等数据结构来加速搜索过程。

  3. 距离计算：计算每个点与其邻居点的欧几里得距离，并将距离矩阵作为输入用于后续聚类。

  4. 聚类：根据距离矩阵进行聚类，可以使用经典的聚类算法，如DBSCAN或MeanShift等。在FEC算法中，通过设置一个阈值来确定邻居点之间的连接关系。

  5. 分割结果提取：从聚类结果中提取每个子集的点云数据，并进行进一步的分析和处理。

下面是使用Python实现的基于FEC算法的点云分割示例代码：


                

                
                
        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
            

        


    



                



	

		

			

				
					
【论文复现】——FEC: Fast Euclidean Clustering for Point Cloud Segmentation

				
			

			

				

					点云侠的博客
				

				

					11-14
					
					3466
					
				

			

		

		

			
				
快速欧式聚类的PCL代码实现。更多详细内容见2022年最新出版的论文：[1] Cao Y , Wang Y , Xue Y , et al. FEC: Fast Euclidean Clustering for Point Cloud Segmentation[J]. arXiv e-prints, 2022.

			
		

	



                

            
              



	

		

			

				
					
PCL 快速欧式聚类（FEC）

				
			

			

				

					dayuhaitang1的博客
				

				

					11-08
					
					1209
					
				

			

		

		

			
				
PCL 快速欧式聚类（FEC）

			
		

	



              


  
              

                


	

		

			

				
					
点云分割（3）——基于欧几里得聚类的点云分割方法

				
			

			

				

					MyLying97的博客
				

				

					08-05
					
					1万+
					
				

			

		

		

			
				
欧几里得算法：

基于欧几里得的点云分割，先放结果图，图1为原图，图2为分割后的图，图3为输出的点云数量。

图1

图2

图3
具体过程：

加载点云，滤波；
分割平面模型；（下一篇博客）
去除所有平面点云，对余下的点进行聚类分割；
显示聚类分割结果。
首先加载点云滤波，即对点云进行下采样，减少点云数量，提高精度；然后分割平面模型，该图中平面有两个，桌子平面和地面，将平面点云去除后，进行聚类...

			
		

	





	

		

			

				
					
经典文献阅读之--FEC

				
			

			

				

					lovely_yoshino的博客
				

				

					09-19
					
					4064
					
				

			

		

		

			
				
在激光雷达的特征提取中，对整帧的点云数据进行分割是至关重要的，但是非常明显的是在3D场景中，捕获的点云通常是稀疏且非结构化的，分割有可能误分割或者漏分割。今天我们来看一下22年的论文，这篇文章中提出一种新颖的快速欧几里得聚类算法，同时据作者说易于实现，具体只有40行的CPP代码。目前作者代码还没有开源，说是accept后就开源。虽然这篇文章并没有被大量的关注，但是从小代码，即插即用等特点，这给我们可以通过文章学习它的详细思想以及算法的可能性。

			
		

	



		

			
		



	

		

			

				
					
python实现快速欧式聚类FEC:fast-euclidean-clustering

				
			

			

				

					weixin_44388624的博客
				

				

					11-15
					
					1428
					
				

			

		

		

			
				
欧式聚类因重复计算导致效率较低，快速欧式聚类FEC有效提高效率。

			
		

	





	

		

			

				
					
基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。

				
			

			

				

					09-12
				

			

		

		

			
				
基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面...

			
		

	





	

		

			

				
					
基于欧式聚类的点云分割

				
			

			

				

					twnkie的博客
				

				

					10-26
					
					510
					
				

			

		

		

			
				
欧式聚类（Euclidean Cluster Extraction）是一种常用于点云数据处理的聚类算法，其目的是将点云数据划分为若干个不同的簇。在PCL（Point Cloud Library）中，欧式聚类是一种基于邻域搜索的聚类算法，通过设置距离阈值将点划分为不同的簇。

			
		

	





	

		

			

				
					
基于ROS的激光点云处理（点云降采样、欧式聚类分割的目标检测、地面拟合分割）

				
			

			

				

					01-08
				

			

		

		

			
				
在基于ROS的激光点云处理中，点云降采样、欧式聚类分割和地面拟合分割是三个核心步骤，对于机器人环境感知和目标检测至关重要。  点云降采样是处理大量点云数据的一种有效手段，主要目的是减少数据量，提高处理速度...

			
		

	





	

		

			

				
					
Open3D 快速欧式聚类（FEC）

				
			

			

				

					dayuhaitang1的博客
				

				

					09-21
					
					1351
					
				

			

		

		

			
				
Open3D 快速欧式聚类（FEC）

			
		

	





	

		

			

				
					
MATLAB 快速欧式聚类（FEC）

				
			

			

				

					dayuhaitang1的博客
				

				

					09-20
					
					853
					
				

			

		

		

			
				
MATLAB 快速欧式聚类（FEC）

			
		

	





	

		

			

				
					
3D点云处理--论文+源码理解：点云聚类 Fast Euclidean Clustering for Point Cloud Segmentation

				
			

			

				

					lddx_123456的博客
				

				

					02-19
					
					1709
					
				

			

		

		

			
				
基于Fast Euclidean Clustering for Point Cloud Segmentation的点云聚类，替换pcl的搜索方法，效率得到提升。

			
		

	





	

		

			

				
					
【PCL】—基于邻近信息的点云分割算法详解（欧几里得、区域生长）

				
			

			

				

					lemonxiaoxiao的博客
				

				

					09-14
					
					4372
					
				

			

		

		

			
				
参考：https://www.cnblogs.com/ironstark/p/5000147.html

分割给人最直观的影响大概就是邻居和我不一样。比如某条界线这边是中华文明，界线那边是西方文明，最简单的分割方式就是在边界上找些居民问：“小伙子，你到底能不能上油管啊？”。然后把能上油管的居民坐标连成一条线，自然就区分开了两个地区。也就是说，除了之前提到的基于采样一致性的分割方式以外，应该还存在基于邻近搜索的分割方式。通过对比某点和其最近一点的某些特征，来实现点云的分割。图像所能提供的分割信息仅是灰度或R.

			
		

	





	

		

			

				
					
Open3D快速欧几里得聚类分割

				
			

			

				

					CodeByte的博客
				

				

					08-30
					
					239
					
				

			

		

		

			
				
FECE算法将点云数据分成大小相似的簇，其中每个簇都包含一组聚集在一起的点。在Open3D中，可以使用快速欧几里得聚类算法（Fast Euclidean Cluster Extraction, FECE）对点云数据进行快速聚类分割。本文介绍了如何使用Open3D的FECE算法对点云数据进行快速欧几里得聚类分割。接下来，将每个簇的颜色设置为该簇中所有点的平均颜色，以便直观地表示聚类结果。参数，获得不同的聚类结果。使用Open3D进行快速欧几里得聚类分割，可以方便地应用于各种3D数据处理应用中。

			
		

	





	

		

			

				
					
欧几里得聚类提取

				
			

			

				

					m0_50046535的博客
				

				

					06-27
					
					2079
					
				

			

		

		

			
				
本教程学习使用pcl::EuclideanClusterExtraction类进行欧几里得聚类提取。欧几里得聚类原理：聚类方法需要将一个无组织的点云模型p划分为更小的部分，从而大大减少了p的整体处理时间。一种简单的欧几里德意义上的数据聚类方法可以通过使用固定宽度的盒子或一般的八叉树数据结构来实现。然而，在更一般的意义上，我们可以利用最近邻并实现本质上类似于洪水填充算法的聚类技术。假设有一个点云，有一张桌子和上面的物体。我们希望找到并分割位于平面上的单个物体点簇。假设我们使用 Kd 树结构来寻找最近的邻居，那

			
		

	





	

		

			

				
					
欧几里得聚类算法

				
			

			

				

					火星人
				

				

					12-29
					
					5988
					
				

			

		

		

			
				
1.k-d tree算法的研究 http://blog.51cto.com/underthehood/687160
2.论文：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.28.6468&rep=rep1&type=pdf
3.https://www.cnblogs.com/eyeszjwang/articles/...

			
		

	





	

		

			

				
					
大数据挖掘算法篇之K-Means实例

				
			

			

				

					weixin_34348174的博客
				

				

					12-19
					
					366
					
				

			

		

		

			
				
一、引言
　　K-Means算法是聚类算法中，应用最为广泛的一种。本文基于欧几里得距离公式：d = sqrt((x1-x2)^+(y1-y2)^)计算二维向量间的距离，作为聚类划分的依据，输入数据为二维数据两列数据，输出结果为聚类中心和元素划分结果。输入数据格式如下：

 1 18
 2 2
 3 2
 4 0.0 0.0 
 5 1.0 0.0 
 6 0.0 1.0 
 7 ...

			
		

	





	

		

			

				
					
PCL教程-点云分割之欧式聚类分割

					
热门推荐

				
			

			

				

					DayDayUp
				

				

					09-09
					
					1万+
					
				

			

		

		

			
				
原文链接：Euclidean Cluster Extraction


在本篇教程中，我们将学习使用pcl::EuclideanClusterExtraction类提取欧几里德聚类。为了使本篇教程更加精简，之前教程中提到的知识点将不再重复说明，比如平面模型分割，可参考之前的博文：PCL教程-点云分割之平面模型分割


数据集下载链接：table_scene_lms400.pcd


理论基础

聚类方法，通过特征空间确定点与点之间的亲疏程度。

一个聚类方法需要将一个无序的点云模型P分割成更小的部分，...

			
		

	





	

		

			

				
					
点云常见几种算法

				
			

			

				

					如有侵权，请联系作者删除
				

				

					04-23
					
					1万+
					
				

			

		

		

			
				
最小二乘法：  https://www.cnblogs.com/armysheng/p/3422923.html
ＲＡＮＳＡＣ算法：　https://blog.youkuaiyun.com/qq_18941713/article/details/84647887

最近点迭代　ＩＣＰ算法：　https://blog.youkuaiyun.com/kksc1099054857/article/details/80280964

常见三角网格划分：　https://blog.youkuaiyun.com/tuibianyanzi/article/

			
		

	





	

		

			

				
					
pcl点云库欧几里得聚类分割分割

					
最新发布

				
			

			

				

					01-21
				

			

		

		

			
				
### 使用PCL点云库进行欧几里得聚类分割

为了实现点云数据中的欧式聚类分割，可以利用Point Cloud Library (PCL)，这是一个专门用于处理三维点云数据的强大工具集。下面提供一段完整的Python代码示例来展示如何执行这一过程。

#### 准备工作
确保安装了必要的依赖项以及配置好了开发环境之后，就可以按照如下方式编写程序：

```python
import pcl
from pcl import PointCloud_PointXYZRGB, EuclideanClusterExtraction

def euclidean_cluster_segmentation(cloud):
    tree = cloud.make_kdtree()
    
    ec = cloud.make_EuclideanClusterExtraction()
    ec.set_ClusterTolerance(0.02)  # 设置距离阈值为2cm
    ec.set_MinClusterSize(100)     # 聚类最小点数限制
    ec.set_MaxClusterSize(25000)   # 聚类最大点数限制
    
    clusters_indices = []
    cluster_space = PointCloud_PointXYZRGB()

    ec.setInputCloud(cloud)
    ec.set_SearchMethod(tree)
    ec.Extract(clusters_indices)

    for j, indices in enumerate(clusters_indices):
        points = []
        
        for idx in indices:
            points.append([cloud[idx][0], cloud[idx][1], cloud[idx][2]])
            
        cluster_cloud = PointCloud_PointXYZRGB.from_list(points)
        filename = f'cluster_{j}.pcd'
        pcl.save(cluster_cloud, filename)

if __name__ == "__main__":
    input_file = "input.pcd"
    output_dir = "./output/"

    cloud = pcl.load_XYZRGB(input_file)
    euclidean_cluster_segmentation(cloud)
```

此段脚本首先加载了一个PCD文件格式的输入点云，并对其进行预处理以便后续操作；接着创建KD树加速最近邻搜索效率；最后通过调用`make_EuclideanClusterExtraction()`方法完成实际的聚类任务[^3]。

值得注意的是，在设置参数时可以根据具体应用场景调整`set_ClusterTolerance()`, `set_MinClusterSize()`, 和 `set_MaxClusterSize()`三个函数内的数值以获得更理想的效果[^1]。

对于C++版本的应用场景，同样遵循类似的逻辑结构，只是语法上有所区别。例如初始化项目构建系统(CMakeLists.txt):

```cmake
cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
project(euclidean_clustering_example)

find_package(PCL 1.7 REQUIRED COMPONENTS common io segmentation kdtree)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (${PROJECT_NAME} src/main.cpp)
target_link_libraries (${PROJECT_NAME} ${PCL_LIBRARIES})
```

以上即是对PCL中欧式聚类分割功能的一个简单介绍及其应用实例说明[^4]。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值