基于幾何特征的點云分割算法研究進展

鞏育江，龐亞軍*，王 汞，白振旭

(1.河北工業大學 電子信息工程學院 先進激光技術研究中心，天津 300401；2.河北工業大學 河北省先進激光技術與裝備重點實驗室，天津 300401)

引 言

3維圖像是一種特殊的信息表達形式，包含了所觀測場景的完整幾何信息。相較于平面2維圖像，深度信息的獲取使得3維圖像可以輕易地實現不同距離場景的分離，并對不同測量設備和不同視角保持良好的統一性。近些年來，隨著3維成像技術的快速發展，出現了越來越多高精度、低成本的3維圖像傳感器，如激光雷達(light detection and ranging,LiDAR)[1]、深度相機[2]等，大幅降低了3維信息獲取的難度與成本。作為一種特殊格式的3維數據，點云[3]已經成為當前3維圖像的主要信息表達方式。相較于其它的3維數據格式，點云數據無需存儲各離散點之間的拓撲結構，有著更為簡單、靈活和強大的表示能力，在處理時可以表現出更好的性能。因此，點云成為了機器視覺、遙感測繪等領域的首選數據格式，在目標識別[4]、模型構建[5]等場景中得到了廣泛的應用。

點云分割是點云數據處理過程中的重要步驟，其目的在于將初始點云劃分成若干具有相似屬性的子集[6]，為后續進一步應用做準備。由傳感器所獲得的原始點云數據往往較為復雜，包含著大量冗余信息，難以直接獲取所需信息,故需要先對初始點云進行分割，再從中分離出感興趣的部分。在點云處理過程中，點云分割的結果將作為后續步驟的輸入數據，對算法的運行結果產生直接影響，因此，點云分割算法一直受到3維信息處理領域的廣泛關注。近年來，深度學習給點云數據處理提供了新的思路[7]，但相關算法結構復雜、運行速度慢、結果穩定性差，距離廣泛的實際應用還有一定距離。與之相比，基于3維圖像幾何特征的點云分割算法結構更加簡潔、響應速度快、結果穩定性好，并且易于針對不同場景進行快速調整，在實際應用中仍占有主要地位。

盡管基本理論框架已經基本完善，但隨著硬件設備的不斷更新，3維圖像特征的獲取方式更加多樣化，許多優秀的分割算法仍舊不斷涌現。本文中對近年來出現的點云分割算法進行了梳理，并依照其所應用的特征進行了分類，分析了其優缺點。期望為相關研究和應用提供一定參考。

1 點云分割的數學定義

2 基于邊緣檢測的分割方法

邊緣描述了物體的形狀特征，在圖像中常常表現為方向不連續、或者某屬性發生突變的點。根據RABBANI等人[8]的定義，此類分割算法主要分為兩步：(1)邊緣的檢測與提取；(2)對邊緣內的點云進行聚類。邊緣檢測算法大體上可分為直接檢測與間接檢測兩類[9]：直接檢測即利用邊緣的特殊性質對其進行檢測，間接檢測則通過將3維點云與2維圖像建立對應關系來進行，通過對2維圖像進行邊緣檢測將所得邊緣投影至3維點云。由于3維點云轉換到2維圖像的過程中有可能會丟失部分特征，在實踐中有諸多困難難以克服，應用較少，本文中只對直接檢測方法進行討論。

2017年，美國俄勒岡州立大學的CHE等人[10-11]提出了法向量變化分析(normal variation analysis，NORVANA)算法。該算法利用地面激光掃描(terrestrial laser scan，TLS)的網格掃描模式構建局部三角網絡，并由每條共享邊的法向梯度確定共享邊是否位于邊緣上。2019年，CHE等人將NORVANA算法拓展至車載激光雷達點云數據(mobile laser scan，MLS)處理中，稱作Mo-NORVANA[12]，其流程圖如圖1所示。車載激光雷達點云無法利用網格模式確定近鄰，故基于車載激光雷達點云由線性掃描所得這一事實，選取相鄰兩條掃描線上的點作為最近鄰以構建網格，分析其法向差異，并應用NORVANA算法實現邊緣檢測。

圖1 Mo-NORVAMNA算法流程圖[12]

2018年，英國斯特拉斯克萊德大學的SUMMAN等人提出了利用鄰域點特征來提取邊界點的方法[13],該算法依據鄰域點的分布將點云劃分為內點、凸面邊界點和凹面邊界點3類，并利用“3點定圓”的思想來標記邊緣點，其示意圖如圖2所示。其中點C為內點，點A和點B為凹面邊界點，點D和點E為凸面邊界點。對于未分類的點，步驟一：計算該點及任意兩個鄰域點所確定的所有圓的半徑;若有任意一個圓的半徑大于其局部分辨率，且所求圓的對應球體中不包含任一其它點，則此點標記為邊界點；否則進行步驟二：將點P及其鄰域投影至最佳擬合平面上，并以P為原點建立極坐標系，嘗試建立一個可以包圍原點并通過所有鄰域點的路徑，若此路徑不存在則將P標記為邊界點。

圖2 a—初始點云及探測結果[13] b—步驟一示意圖[13] c—步驟二示意圖[13]

對點云而言，是否為邊界點是一個由其鄰域所確定的固有屬性[14]，故邊緣檢測算法很容易受到離群點和噪聲的影響，在應用此類方法之前應先對點云做降噪處理。同樣，若點云密度過低或分布不均勻，則無法明確點云的局部特征，導致邊緣缺失，影響算法運行的結果。

3 基于表面特征的分割方法

3.1 區域生長算法

區域生長算法(region growing，RG)[15]是在2維圖像分割領域中得到廣泛應用的經典算法，因其出色的分割效果被拓展至3維點云數據中。算法流程為：首先指定種子點，隨后對鄰域點的某些特征進行比對，若小于預定閾值則將鄰域點作為新的種子點繼續生長，若周邊鄰域點沒有符合條件的點則跳出算法。

種子點的選取策略與生長與否的判斷依據是對區域生長算法效果影響最大的兩個因素。1988年，美國密歇根大學安娜堡分校的BESL等人提出選擇曲率最小的點作為種子點[16]。此準則簡單有效，是目前采用最多的方法[17-18]。此外，將點云預分割以提升種子點選擇質量也是常見的方法[19]。在生長判斷準則方面，閾值分類思想仍舊占據主流，平滑度[8]、RGB顏色[20]、法向量[18]、平面擬合殘差[21]等點特征作為生長判據被廣泛應用于區域生長算法之中。

2019年，華中師范大學的WU等人將多尺度張量投票算法(multiscale tensor voting method,MSTVM)引入區域生長算法以確定種子點[22]，其流程圖如圖3所示。張量投票算法最早由德國波恩大學攝影測量研究所的SCHUSTER引入點云數據之中[23]，通過點云協方差矩陣的特征值和特征向量表述該點的局部幾何特征。對于張量投票算法而言，投票的數目，即尺度，對算法的效果有著至關重要的影響。因此，作者提出了MSTVM, 通過指數化半變異函數確定合適的尺度區間，在區間內多次計算投票值以求得相對投票值，選擇相對投票值較高的點作為種子點。相較于應用主成分分析(principle component analysis，PCA)和張量投票算法的區域生長算法，MSTVM有著更高的分割精度，對噪聲有著更高的魯棒性。

圖3 MSTVM算法流程框圖[22]

2020年，巴西坎皮納斯大學的PAIVA等人結合了分水嶺算法與區域生長算法，實現了對RGB點云建筑模型的分割[24],算法流程圖如圖4所示。對于所得初始點云，該算法首先通過灰度變換將其轉化為灰度圖，并利用八叉樹明確點云各點之間的連接關系。連接圖構建完成后，平滑點云灰度值，以此獲取梯度作為分水嶺算法的輸入。隨后選定各區域內的曲率最小點作為種子點應用區域生長算法。

圖4 區域生長與分水嶺混合算法流程圖[24]

盡管區域生長算法已經在點云分割領域得到廣泛應用，但它的缺點仍舊不容忽視。種子點可以大幅影響算法效率，但是其選擇的依據并沒有一個統一的最優解，目前應用最為廣泛的方法是選擇曲率最小的點作為種子點，但在小部分情況下這依然無法取得較好的效果，這使得算法的穩定性大打折扣。此外，區域生長算法要求點云集有足夠的連續性，若點云密度不均勻則難以獲得精確的結果。與基于邊緣的分割算法類似，區域生長同樣基于局部特征，故對噪聲、離群點十分敏感，在分割之前需要對點云進行去噪、平順等預處理。

3.2 聚類算法

除區域生長算法以外，各種聚類算法也被用于進行點云分割，如經典的k均值算法[25-26]、均值漂移算法[27-28]、高斯混合模型[29]等。對于聚類算法而言，其選用特征的可靠性和質量對算法的分割效果有著較大的影響。常用于點云分割的特征有點的空間位置信息[30-31]、法向量、點的局部密度等。以點特征構建特征向量[32]可以提高算法的魯棒性，也是常見的特征構建方法。也有少部分算法采用局部算子作為特征，如快速點特征直方圖(fast point feature histogram,FPFH)[33]、視點特征直方圖(viewpoint feature histogram，VFH)[34]等。

2018年，美國德克薩斯大學奧斯汀分校的CZERNIAWSKI等人[35]將基于密度的噪聲應用空間聚類(density-based spatial clustering of applications with noise,DBSCAN)算法[36]應用于點云分割。算法將點云映射至高斯球上以提取法向信息，并與3維坐標相結合，構建6維特征空間{x,y,z,nx,ny,nz}以進行DBSCAN聚類。分割結果如圖5所示。

圖5 DBSCAN算法運行結果[36]

2019年，浙江工業大學的HUANG等人提出了基于密度的聚類算法(density-based clustering，DBCS)[37]。該算法由DBSCAN算法發展而來，并通過將點云劃分為不同子集平行處理提高算法效率，其流程圖如圖6所示。對于大規模點云場景，算法先求其邊界盒，若其中子集數量大于預設值，則對矩形邊界盒進一步進行劃分，直至邊界盒內點云數量達到閾值。

圖6 DBSC算法流程圖[37]

2020年，韓國首爾國立大學的PARK等人提出了彎曲體素的概念，并以此為基礎利用聚類算法完成了對點云數據的分割,稱作彎曲體素聚類算法[38]，流程圖如圖7所示。彎曲體素是體素在球坐標系下的拓展，與體素類似，定義為球坐標系內的獨立單元，以確定的分辨率劃分整個球坐標系。算法首先將初始點云自3維笛卡爾坐標系轉換至球坐標系中，隨后創建哈希表，將各點映射至包含其的彎曲體素中，并濾除其中的無用彎曲體素，保留含有點的體素。最后在哈希表中搜尋相鄰的體素，將其劃分為同一個聚類，完成分割。

圖7 彎曲體素聚類算法流程圖[38]

與區域生長算法類似，利用聚類算法來完成點云分割同樣也是基于點云及其相鄰點的局部特征來對散亂點進行分類的。此類算法與區域生長算法最大的區別就在于聚類算法無需定義種子點，這使得聚類算法的適用性比區域生長算法略高，但其判斷準則仍舊對算法效果有較大影響。

3.3 圖論法

圖是一種強大的數學工具，已在計算機視覺、目標探測等方面得到廣泛的應用。點云離散的特性也使得其與圖有著良好的相性，圖論中眾多的分割方法在點云數據處理中都有著廣泛的應用潛力。圖論分割的主要思想即是確保不同片段之間的相似度最小，而相同片段中各點的相似性最大，點云中各點可天然視作圖中的頂點，因此，如何確定構建連接圖，確定邊的權重，成為了此類方法的研究重點。

2017年，慕尼黑工業大學的XU等人[39]提出了基于體素與圖論方法的點云分割(voxel-graph based segmentation,VGS)方法。算法首先將點云體素化，以所得體素作為圖的頂點，并利用八叉樹構建全連接圖。圖中各邊的權重則由頂點的空間相似度、幾何相似度與曲率變化確認。2020年，XU等人對VGS算法進行了進一步的優化[40]，其算法流程圖如圖8所示。新的算法利用幾何中心與內部各點的法向量對體素進行表示，以此為基準，僅保留內部點分布平面化的體素，濾除內部點云呈不規則分布或曲面分布的冗余體素，提升了平面擬合效果；各邊的權重則由相鄰節點Vn,Vm之間的法向量角度差Dnmα和空間距離Dnmp得到：

圖8 VGS算法流程圖[40]

(1)

式中,δα和δp為權重參數。分割完成后，應用RANSAC算法進行平面提取。

以圖論作為理論基礎有著較好的可解釋性，在復雜場景下基于圖論的點云分割可以取得很好的效果，但此類算法仍舊有著很高的時間復雜度，難以實現實時應用。

4 基于模型擬合的點云分割

此類算法通過將所得點云與預設模型進行擬合來實現點云分割，其所使用的形狀基元在參考文獻[41]中有著詳細的介紹，在此不多贅述；而其中使用最為廣泛、效果最為出色的算法是3-D霍夫變換(3-D Hough transform，3DHT)[42]、隨機采樣一致(random sample consensus，RANSAC)[43]，以及它們的一系列衍生算法。

4.1 霍夫變換算法

霍夫變換是一種純數學的參數空間轉換方法，由HOUGH在1960年提出[44]。通過改變點的數學表現形式，將點從3維空間映射至參數空間完成投票，對各種可參數化的形狀有良好的探測效果。霍夫變換由3步構成[45]：(1)構建參數空間；(2)由輸入數據累計投票；(3)在參數空間中識別模型。對于3維笛卡爾空間中的平面，其方程為：

a·x+b·y+c·z+d=0

(2)

可寫為：

z=sxx+syy+D

(3)

式中,sx和sy為平面對z軸的斜率，D為平面在z軸的截距。由此可定義一個三變量空間，即霍夫空間。霍夫空間中的點與3維坐標系中的平面一一對應，利用這樣的對應關系即可以通過投票算法完成擬合。

2019年，荷蘭代爾夫特大學的WIDYANINGRUM等人提出了基于有序點表(ordered points lists，OPL)輔助的霍夫變換算法，并實現了對空載激光雷達建筑物點云邊界線的提取[46]，算法流程圖及分割結果如圖9所示。OPL由霍夫矩陣變換而來，與霍夫矩陣有著相同的維度與參數。兩者的區別在于：霍夫矩陣僅保存行內直線的投票點的數量，而OPL保存了這些點的有序表。通過設定間隔空隙，算法對包含點不連續的直線進行了分割，解決了傳統霍夫變換對方向相同但屬于不同分割片段的直線誤判斷問題，大幅提高了建筑物邊界提取的質量。

圖9 OPL輔助霍夫變換算法流程圖[46]

同年，北方工業大學的SONG等人與澳門大學的TIAN利用3DHT實現了大規模MLS云的地面提取[47]。算法同時利用了中央處理器(central processing unit,CPU)與圖形處理器(graphics processing unit,GPU)，并將3-D霍夫空間體素化，實現了利用GPU的并行計算，大幅提升了算法效率。GPU-CPU混合地面提取算法框架如圖10所示。

圖10 GPU-CPU混合地面提取系統框架[47]

2020年，TIAN等人通過構建標志圖對算法進行了進一步優化[48]。

標志圖與霍夫空間維度相同，主要用于實現對3-D霍夫空間內體素的一對一標記，對有效體素則通過霍夫空間內的坐標計算標志值：

l(i,j,k)=

(4)

式中,i,j,k分別為標志圖的3維坐標，h(i,j,k)為霍夫空間內相應坐標的投票值，IH，JH和KH分別為霍夫空間內各3維方向上的體素數量。

在此基礎上，算法將相連的體素聚類為同一集團，并取集團內的最小標志值代表集團。此時，同一集團內標志值相同，不同集團之間標志值相異，遍歷所有集團即可完成峰值搜索。算法流程如圖11所示。

圖11 地面探測系統流程框圖[48]

4.2 隨機采樣一致(RANSAC)算法

RANSAC算法基于對模型的假設與選擇，通過隨機選取點云中的若干子集對模型進行多次擬合，從中選取擬合效果最佳的模型作為擬合結果。RANSAC算法簡單且強大，2007年，法國國立應用科學學院的TARSHA-KURDI等人[49]將3-D霍夫變換與RANSAC算法進行了比較，實驗證明，RANSAC算法有著更高的效率與精準度。

2017年，武漢大學LI等人將RANSAC算法與正態分布變換單元(normal distribution transformation cells，NDT Cells)相結合，用于點云數據的平面分割[50]。NDT與體素類似，為小尺寸立方體，包含若干點云，其內部點云視為正態分布。在完成對初始點云的劃分后，求各單元內點云的協方差矩陣，其特征值與特征向量作為單元特征表述各單元的幾何特性，并以此為依據提取平面分布的正態分布單元。最終，對平面分布的正態分布單元內應用RANSAC算法，實現平面分割，并以迭代加權最小二乘法計算法向量，進行平面擬合，完成平面融合。其算法運行結果如圖12所示。

圖12 NDT-based RANSAC算法運行結果[50]

最大似然估計采樣一致算法(maximum likelihood estimation sample consensus，MLESAC)由微軟研究院的TORR與牛津大學的ZISSERMAN[51]提出，以模型的似然度代替內點數量對模型擬合效果進行評估。2020年，武漢大學ZHAO等人[52]將MLESAC算法進行優化，提出Prior-MLESAC算法，并應用于室內點云數據分割，其示意圖如圖13所示。Prior-MLESAC算法在進行模型擬合值前，先基于迭代高斯映射對點云進行粗分割。理論上，所有位于平行平面上的點映射至高斯球上后應為同一個點，由此可通過對點云進行高斯映射，并對所得高斯球進行DBSCAN算法完成平行平面提取。在此基礎上，以剩余的點云作為輸入，逐漸調整DBSCAN算法的參數，迭代地對點云進行提取，實現對點云的粗分割。粗分割完成后，由PCA算法定義曲率特征：

圖13 a—Prior-MLESAC算法流程框圖[52] b—迭代高斯映射分割示意圖[52] c—分割結果[52]

(5)

式中,λi(i=1,2,3)為PCA所得張量的特征值，描述局部區域彎曲度的概率：

ω=(1-Pc)2

(6)

作為各點的先驗特征，以此引導點云的采樣，對屬于不同模型的點應用不同的采樣策略。

同年，南方科技大學的WU等人利用RANSAC算法實現了點云數據中成對正交平面(pairwise orthogonal planes，POP)的提取[53]。對于成對正交平面，作者將其視為一個由4個兩面角構成的整體模型，由平面的法向量與相交線定義兩面角，實現了對成對正交平面模型的表述。在此基礎上，算法基于八叉樹結構將點云結構化，先在位于同一節點內的子集中生成候補模型，隨后將其擴張至整個點云，實現RANSAC算法,其算法結果如圖14所示。實驗證明，相較于傳統的平面擬合，成對平面擬合有著更高的效率，對正交的微小平面也有足夠的處理能力。

圖14 POP-RANSAC算法對單個房間的分割結果[53]

相較于3-D霍夫變換算法，RANSAC算法有著更快的運行速度，對噪聲有更強的魯棒性，有著更廣泛的應用場景，但其仍舊有著較高的時間復雜度，難以投入到大型場景的實際應用中；此外，算法自定義參數較少，對參數的選擇十分敏感，這對算法在不同場景下的適配程度有所影響；最后，此類算法對點云的質量有著較高的要求，處理低精度、大場景的點云需要額外的措施對點云進行優化。因此，此類算法現多用于對其它算法所得的粗分割結果進行優化。

5 部分算法性能比較

表1中總結了各算法的性能參數，并統計了其主要應用場景。由于面向不同場景的算法側重點有所不同，其評估方法也有所差異，故部分參數缺省。由表1可見，對于MLS和TLS點云而言，若應用于大場景戶外點云，基于邊緣探測的NORVANA與Mo-NORVANA算法在保證高精準度的同時有著最高的算法效率，相較于其它算法有著3～4個數量級上的提升；而對于室內場景，其點云密度較高且分布更為均勻，模型也更加規則，因此模型擬合類算法可以獲得優秀的分割結果。基于表面特征的算法原理簡單、容易實現、效率良好、準確度也較高，但其精確度與召回率較低，因此易產生過分割與欠分割問題。由MSTVM算法可見，種子點的選取質量對區域生長算法的分割效果有著較大影響，但若選擇算法過于復雜，則算法效率大打折扣，故需要針對不同需求分別應用；對于機載激光掃描(airborne laser scanning,ALS)點云而言，由于其點云密度較低且不穩定，對算法性能提出了較大挑戰，僅有模型擬合類算法有著較好的運行結果，其余算法則不甚理想。

表1 部分算法性能參數

6 影響點云分割算法效率的主要因素

在過去幾年中，研究者們在點云分割領域中完成了大量的工作，許多不同的算法被開發，但由于點云數據仍存在一些限制，導致目前在實際工程中難以實現實時應用。本節中總結了對算法效率產生影響的主要因素，對其進行了簡要的分析。

6.1 特征的獲取

基于局部特征的算法中，相似度的表征與所選用的特征直接相關，在模型擬合類算法中，其所選擇的擬合基元也可視作特征。點云分割算法中所使用的特征對算法的效率與精確度有著至關重要的影響，現今，大多數算法所使用的特征為點特征，如法向量、RGB顏色、返回激光的強度、空間位置，以及在法向量的基礎上進一步計算得到的若干高階特征，如曲率、梯度等。除點特征外也有部分諸如FPFH、半徑表面描述子(radius-based surface descriptor，RSD)等高階算子被應用于點云分割算法之中，此類高階算子可以提供更高的精度，但其計算需要較高算力，對算法效率有所影響，故尚未得到廣泛應用。在點云的法向量估計方法中，占據主要的是以PCA為代表的局部平面擬合類算法，此類算法簡單有效，因此應用得最為廣泛，但其對鄰域大小和點云噪聲較為敏感，且對尖銳特征的表述有所欠缺，容易影響特征估算的精度。

6.2 鄰域大小的確定

鄰域的大小對算法有著較大影響，鄰域范圍過大會導致算法復雜度較高，過小則會影響特征估算的精度。最為常用的鄰域確定方法有k最近鄰(k-nearest neighbor，KNN)和固定半徑鄰域(fixed distance neighbor,FDN)兩種。在實踐中，FDN需要根據算法的應用場景來調整截斷距離，這對使用者的經驗提出了要求，限制了FDN的應用范圍。與此相對，KNN對點云密度自適應，有著更為廣泛的應用場景，但是對噪聲和離群點敏感，對點云數據的質量有較高要求。除此之外，將點云結構化以確定鄰域也是比較常見的做法，如將點云數據體素化[54]、網格化[55]，利用掃描線確定鄰域等[54]。由表1可見，此類方法可大幅提升算法的運行效率，但其增加了算法的步驟，并對使用場景和數據獲取方式提出了要求，因此只有在特定場景下得到應用。

6.3 算法的自動化程度

點云分割的對象是復雜多變的，同一個算法在不同的場景下難以得出相同的結果，因此在算法實現過程中仍舊需要人工調整參數，以改善算法的運行結果。但人工干預增加了算法的不可控變量，往往需要多次實驗才能得到良好的參數，這增加了算法設計的成本，降低了算法的適應性。

6.4 應用場景的限制

遙感測繪與計算機視覺是點云數據的兩大主要應用領域，但是兩者有著不同的注重點，導致領域之間算法難以互通，需要根據應用場景對算法進行調整。兩者的區別主要有以下幾點：

(1)算法的評估方式。在計算機視覺應用中，點云分割算法的側重點在于整體的精度，而在遙感測繪領域中，算法往往更為關注對建筑物等特定目標的提取。因此在算法效果的評估方面，兩者需要不同的評估方式來選擇與實際情況更加契合的算法。

(2)點云的獲取方式。點云數據的主要獲取方式有攝影測量、深度相機、激光雷達、逆向工程等。遙感測繪應用需要復雜且具體的大面積點云數據，因此大多是通過激光雷達與攝影測量得到點云。這種方法所獲點云密度不恒定，數據量較大，分布不均勻且充滿著噪聲和離群點，在進行點云分割時有著更多的限制。而計算機視覺更加關注具體的3維細節，因此需要較高的密度和均勻的分布。其主要的獲取方式是深度相機與模型逆向工程。由此方法獲取的點云密度高，故處理時算法有著更高的時間花費。

(3)數據格式。點云數據包含著物體表面的3維坐標信息，除此之外，由激光雷達所得的數據還包含著返回激光的強度，由攝影測量與深度相機所得的數據包含著該點的顏色信息。此類信息可以作為特征來提高算法的效果，但也導致算法難以在不同設備獲取的數據之間通用。

(4)對數據的預處理。在計算機視覺領域中，數據的噪點與離群點并不會對算法的效果造成過多影響，這是由其獲取方式和算法側重點所決定的。在高密度的點云中可以較為容易的濾除離群點，且增強了對噪聲的魯棒性。但在遙感測繪領域，傳感器帶來的噪聲難以避免，在點云密度不均勻的情況下加重了對算法的影響。因此，算法需要針對濾波去噪平順等方面進行大量的預處理，以盡量提高點云質量。

7 結束語

點云相較于其它3維數據，在處理時耗費資源較少，因此成為了計算機視覺、遙感測繪等領域的首選信息表示形式和處理對象。點云分割作為點云數據處理過程中的重要步驟，是實現相關應用的關鍵技術，其分割結果直接關系到后續算法的效果，故一直以來受到廣泛關注，研究熱度居高不下。針對本領域中仍舊存在的問題，如特征估計難、自動化程度低等，研究人員正在不斷探索，對算法不斷進行優化，取得了相當卓越的成績。3維信息獲取設備的不斷發展也給點云分割提供了更多的硬件支持和處理路徑，隨著獲取點云的不斷豐富，在多傳感器協同工作下的特征提取更加便捷。在自動駕駛、智能機器人等需求的牽引下，點云數據處理方法必將迎來新一波的發展熱潮。