基于法向量和聚类方法的点云中建筑物提取（open3d）

本文链接：https://blog.youkuaiyun.com/m0_51950734/article/details/130923743

该文描述了一种点云处理方法，首先使用DBSCAN去除初次的离群点，接着估计点云的法向量，通过角度阈值过滤掉大部分植被点。然后进行第二次DBSCAN聚类进一步剔除杂点，最终得到更纯净的点云数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于标签影像裁剪后的点云存在植被等噪声点，因此需要进行剔除。

首先进行初次DBSCAN聚类，剔除明显离群点：

#初次DBSCAN剔除离群点
with open3d.utility.VerbosityContextManager(open3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(sel_pcd.cluster_dbscan(eps=2, min_points=100, print_progress=True))

sel_pcd2=sel_pcd.select_by_index(np.array(range(points.shape[0]))[labels>=0])

再利用法向量，剔除大部分树木点：

#法向量筛选提取屋顶面
sel_pcd2.estimate_normals(
        search_param=open3d.geometry.KDTreeSearchParamHybrid(radius=2, max_nn=3000)
    )

points2 = np.array(sel_pcd2.points)
normals = np.array(sel_pcd2.normals)
jiaoduall=np.ones(points2.shape[0])
for index in range(points2.shape[0]):
    jiaodi=abs(atan(sqrt(pow(normals[index,0],2)+pow(normals[index,1],2))/normals[index,2]))
    jiaoduall[index]=jiaodi

sel_ind4=np.array(range(points2.shape[0]))[jiaoduall<0.6][:]
points = np.array(pcd.points)
pt_color=np.zeros(points.shape)
pt_color[:,1]=255
sel_pcd3=sel_pcd2.select_by_index(sel_ind4)

最后将树木点中法向量也在阈值的剔除：

#第二次DBSCAN剔除杂点
points3=np.array(sel_pcd3.points)
labels = np.array(sel_pcd3.cluster_dbscan(eps=6, min_points=200, print_progress=True))

sel_ind2=np.array(range(points3.shape[0]))[labels>=0]
sel_pcd4=sel_pcd3.select_by_index(sel_ind2)
sel_ind3=np.array(sel_ind)[sel_ind4[sel_ind2]]
pt_color[sel_ind3,0]=255
pcd.colors = open3d.utility.Vector3dVector(pt_color)
#open3d.visualization.draw_geometries([sel_pcd2])
open3d.io.write_point_cloud("dbs_sel_pcd.pcd", pcd)
open3d.io.write_point_cloud("dbs_sel_pcd_house.pcd", sel_pcd4)