4. 点云分割基础：分割定义、应用场景与评价指标
各位同学，今天我们来聊聊点云分割。说实话，这是整个点云处理里最「接地气」的一环。为什么这么说？因为不管你前面做了多少滤波、特征提取，最终落地到自动驾驶、机器人导航这些场景时，分割才是真正把点云数据变成「可理解信息」的关键一步。
4.1 什么是点云分割？
点云分割，说白了就是给每个点贴标签。把一堆无序的点，按照空间位置、几何特征、语义信息，分成不同的组。比如地面是一组，车辆是一组，建筑物是一组。
我个人习惯把分割理解成「三维世界的抠图」。你想想看，一张照片里要分出人和背景，靠的是像素颜色和边缘。点云里呢？靠的是点的坐标、法向量、曲率这些几何属性。
核心定义：点云分割 = 将点云数据划分为多个互不相交的子集，每个子集对应一个具有一致几何或语义属性的对象或区域。
这里要注意一点：分割和聚类经常被混为一谈。我简单区分一下——聚类是无监督的，算法自己决定怎么分；分割可以是监督的，比如我们提前告诉模型「地面长这样」。实际工程中，两者经常结合使用。
4.2 应用场景：地面、障碍物、建筑物
讲理论容易犯困，咱们直接上场景。我这些年做过的项目里，分割最常用的就是这三个方向。
4.2.1 地面分割
地面分割是自动驾驶的「基本功」。为什么？因为车辆行驶的前提是知道哪里能走。地面分割做不好，后面的障碍物检测、路径规划全是空中楼阁。
我记得有一次做矿区无人驾驶项目，地面不是平整的柏油路，而是坑坑洼洼的碎石路。用传统的RANSAC平面拟合，效果一塌糊涂。后来换了基于射线坡度的分割方法，才勉强搞定。
常用的地面分割方法：
- 平面拟合类：RANSAC、PCA，适合平整路面
- 射线坡度类：按角度划分射线，适合起伏地形
- 深度学习类：PointNet++、SqueezeSeg，适合复杂场景
我的经验：实际项目中，别一上来就上深度学习。先试试RANSAC，简单、快、效果往往够用。深度学习模型再准，部署成本摆在那。
4.2.2 障碍物分割
障碍物分割的目标是把车辆、行人、骑行者这些「动的东西」从背景里抠出来。难点在于——障碍物形状千奇百怪，而且经常被遮挡。
我做过一个行人检测的项目，点云稀疏到只有几十个点落在人身上。这时候基于欧几里得聚类的分割方法就失效了，因为距离阈值根本设不对。后来改用基于体素的连通域分析，才勉强把行人轮廓勾勒出来。
障碍物分割的常见挑战：
- 稀疏点云下的小目标检测
- 遮挡导致的不完整形状
- 动态障碍物与静态背景的区分
4.2.3 建筑物分割
建筑物分割主要用在测绘、城市建模、古建筑保护这些领域。和地面、障碍物不同，建筑物通常有规则的几何结构——墙面是平面，屋顶是斜面，柱子是圆柱体。
我参与过一个古建筑数字化项目，需要把飞檐、斗拱这些复杂结构从整体点云里分割出来。说实话，纯几何方法搞不定，因为结构太复杂了。最后用了区域生长+手工标注的混合方案，才勉强交差。
建筑物分割的常用思路：
- 基于几何基元：平面、圆柱、球体拟合
- 基于区域生长：从种子点开始，合并相似邻域
- 基于深度学习：PointNet、KPConv等
4.3 评价指标：IoU、精度、召回率
分割做得好不好，不能光靠眼睛看。我们需要量化的指标。这里我重点讲三个最常用的。
4.3.1 IoU（交并比）
IoU是分割任务里最核心的指标。它的计算方式很简单：
IoU = (预测正确的点数量) / (预测正确的点 + 漏检的点 + 误检的点)说白了，就是预测结果和真实标签的重叠程度。IoU越接近1，说明分割越准。
我个人的经验阈值：
- IoU > 0.7：效果不错，可以上线
- IoU 0.5 ~ 0.7：需要优化，但勉强能用
- IoU < 0.5：基本不可用，得重新搞
注意：IoU对类别不平衡非常敏感。比如地面点占了90%，你就算把地面全分对，IoU也可能很高，但障碍物分割一塌糊涂。所以实际评估时，要按类别分别计算IoU，再取平均（mIoU）。
4.3.2 精度（Precision）与召回率（Recall）
这两个指标经常一起用。我简单解释一下：
- 精度：你预测为「障碍物」的点里，有多少真的是障碍物？
- 召回率：真正的障碍物点里，你找出来了多少？
举个例子。假设场景里有100个障碍物点，你预测了80个，其中70个是对的，10个是错的。
- 精度 = 70 / 80 = 87.5%
- 召回率 = 70 / 100 = 70%
你看，精度高不代表召回率高。反过来也一样。实际工程中，这两个指标需要权衡。
我曾经做过一个项目，甲方要求「绝对不能漏检行人」。于是我拼命提高召回率，结果精度掉到了60%以下，满屏都是误检。后来调整了阈值，才找到平衡点。
4.3.3 综合评价：F1分数
为了综合评估精度和召回率，我们通常用F1分数：
F1 = 2 * (精度 * 召回率) / (精度 + 召回率)F1分数越高，说明模型在精度和召回率之间取得了更好的平衡。
下面这个表格总结了三个指标的特点：
| 指标 | 关注点 | 适用场景 | 我的建议 |
|---|---|---|---|
| IoU | 预测与真实的重叠程度 | 通用分割评估 | 必看指标，但别只看它 |
| 精度 | 预测结果的可靠性 | 误检代价高的场景 | 安全系统优先看精度 |
| 召回率 | 对目标的覆盖程度 | 漏检代价高的场景 | 安防监控优先看召回率 |
4.4 本章知识体系图
下面我用一张SVG图，把本章的核心逻辑串起来。你可以把它当成一个「思维导图」来看。
4.5 本章小结
嗯，这一章的内容就这些。我帮你捋一下重点：
- 分割定义：给点云贴标签，把无序点变成有意义的组
- 三大场景：地面、障碍物、建筑物，各有各的坑和套路
- 三个指标：IoU看整体，精度看可靠性，召回率看覆盖度
最后说一句心里话：评价指标这东西，别死记硬背。你真正上手跑一次分割，调一次阈值，自然就懂了。我当年也是被IoU虐过好几轮，才真正理解它的意义。