点云分割：从混乱中寻找秩序
点云分割，说白了就是把一堆乱七八糟的点，按照某种规则分成不同的组。你想想看，激光雷达扫出来的点云，少则几万，多则上百万个点。如果不做分割，那就是一团浆糊，根本没法用。
我个人习惯把点云分割分成两大类：基于模型的分割和基于聚类的分割。前者适合提取地面、墙面这些有明确几何形状的东西；后者适合把物体一个个拎出来。
好，咱们直接进入正题。今天聊四个最常用的方法：RANSAC平面分割、欧几里得聚类、DBSCAN聚类、区域生长分割。
RANSAC平面分割：老司机的最爱
RANSAC，全称是Random Sample Consensus。名字挺唬人，其实思路很简单——随机采样，找共识。
我在项目中遇到过最典型的场景：提取地面。自动驾驶里，地面信息太重要了。障碍物检测、路径规划，都离不开它。RANSAC就是干这个的利器。
它的核心逻辑是这样的：
- 从点云里随机挑三个点，确定一个平面
- 算算其他点到这个平面的距离
- 距离小于阈值的，算作"内点"
- 重复上面步骤N次，选内点最多的那个平面
嗯，这里要注意：迭代次数N怎么设？ 设少了，可能找不到最优平面；设多了，计算量扛不住。我一般用这个公式估算：
N = log(1 - p) / log(1 - (1 - e)^s)其中p是期望成功率（通常0.99），e是外点比例，s是每次采样点数（平面就是3）。
避坑指南：我曾经在高速场景下吃过亏。路面平整，RANSAC效果很好。但到了城市道路，有减速带、井盖，RANSAC经常把路面分割成好几块。后来我加了距离阈值自适应——根据点云密度动态调整阈值，效果好了不少。
代码实现其实不复杂，PCL里直接调：
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.1); // 10cm阈值
seg.setMaxIterations(1000);
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);欧几里得聚类：简单粗暴但有效
欧几里得聚类，名字听着高大上，其实就是根据距离远近把点分组。
怎么做的？
- 随便选一个点，找它周围半径r内的邻居
- 把这些邻居和它归为一类
- 再以这些邻居为起点，继续找邻居
- 直到找不到新的邻居为止
说白了，就是区域生长的简化版。关键参数就两个：搜索半径r和最小/最大点数。
r设大了，会把两个物体连在一起；设小了，一个物体会被切成好几块。我一般根据激光雷达的线束密度来调——Velodyne 64线，r设0.3-0.5米；16线的话，点比较稀疏，r要放到0.8-1.0米。
实战经验：欧几里得聚类最大的坑是近处物体粘连。比如两辆车并排停着，距离很近，聚类会把它们当成一个物体。我当时的解决方案是：先做地面滤除，再在聚类时加入高度信息——两个点距离近但高度差大，就不算邻居。
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5); // 搜索半径
ec.setMinClusterSize(100); // 最少点数
ec.setMaxClusterSize(25000); // 最多点数
ec.setInputCloud(cloud);
ec.extract(cluster_indices);DBSCAN聚类：密度说了算
DBSCAN和欧几里得聚类有点像，但更聪明。它不光看距离，还看密度。
核心概念就两个：
- 核心点：半径r内至少有minPts个点
- 边界点：在核心点的半径内，但自己不是核心点
DBSCAN的好处是：能处理任意形状的聚类。欧几里得聚类只能找到球形簇，但DBSCAN可以找到L形、S形的物体。这在处理行人、自行车这些不规则物体时特别有用。
我记得有一次做园区无人车，行人点云稀疏且形状不规则。欧几里得聚类经常把行人分成好几块，换成DBSCAN后，效果立竿见影。
注意：DBSCAN的参数调起来比欧几里得聚类麻烦。r和minPts是联动的——r太小，所有点都是噪声；r太大，所有点都连在一起。我建议先用欧几里得聚类跑一遍，把参数范围摸清楚，再微调DBSCAN。
// DBSCAN在PCL里没有直接实现，但可以用自定义方式
// 或者用Open3D的接口
open3d::geometry::PointCloud pcd;
auto labels = pcd.ClusterDBSCAN(eps=0.5, min_points=10);区域生长分割：从种子开始
区域生长分割的思路很直观：选种子，长区域。
具体步骤：
- 选一个点作为种子
- 检查它的邻居——法向量夹角小、曲率接近的，就加入
- 新加入的点变成新种子，继续生长
- 直到没有符合条件的点为止
它和欧几里得聚类最大的区别是：不光看距离，还看法向量和曲率。所以特别适合分割平滑曲面，比如车顶、引擎盖、建筑物墙面。
我在项目中用它来分割车辆。车辆表面是平滑的，但地面和车辆之间法向量差异很大，区域生长能很好地分开。
调参心得：区域生长有两个关键阈值——法向量角度差和曲率差。角度差一般设15-30度，曲率差设0.1-0.5。设太大，会把不同物体长到一起；设太小，一个物体会碎成渣。我习惯先设大一点，看看效果，再逐步收紧。
pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> rg;
rg.setMinClusterSize(100);
rg.setMaxClusterSize(100000);
rg.setNumberOfNeighbours(30);
rg.setSmoothnessThreshold(15.0 / 180.0 * M_PI); // 15度
rg.setCurvatureThreshold(0.5);
rg.setInputCloud(cloud);
rg.setInputNormals(normals);
rg.extract(clusters);四种方法怎么选？
我整理了一个对比表，方便你快速决策：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| RANSAC平面分割 | 地面、墙面提取 | 鲁棒性强，抗噪声 | 只能提取平面 |
| 欧几里得聚类 | 简单物体分割 | 速度快，参数少 | 只能处理球形簇 |
| DBSCAN聚类 | 不规则形状物体 | 任意形状，自动去噪 | 参数调优麻烦 |
| 区域生长分割 | 平滑曲面分割 | 利用几何信息，精度高 | 计算量大 |
实际项目中，我很少只用一种方法。通常是组合拳：先用RANSAC去掉地面，再用欧几里得或DBSCAN做物体聚类，最后用区域生长做精细分割。
一句话总结：点云分割没有银弹。理解每种方法的原理和局限，根据场景灵活组合，才是王道。