聚類是將將具有相似特征劃分為相同點集的操作。

基于空間鄰近性的方法

核心思想：依據點的空間距離進行分組

• 歐式聚類（DBSCAN，KD-tree)
  原理：基于半徑搜索和最小點數擴展簇。
  優點：適應不規則形狀，無需預設簇數量。
• 區域生長聚類
• 原理：從種子點出發，合并法向量/曲率相似的臨近點。
• 使用場景：便面連續物體（管道、墻面）。
  調參建議：首先，固定角度閾值，調整knn數目，觀察簇的完整性。其次，使用曲率分布統計（如均值±標準差）動態設定角度閾值；或根據點云密度（平均最近鄰距離）推導knn。最后，驗證指標，評估簇內緊密度和簇間的分離度。

基于特征相似性的方法

核心思想：結合幾何/顏色/反射率等特征聚類。

• K-Means/GMM
  原理：在特征空間（坐標+顏色+法向量）迭代劃分。
  優化：使用PCA降維加速計算。

• 超體素聚類
  原理：將點云轉為體素網格，合并相似體素（顏色/法線）。

超體素（Supervoxel）是點云中的一種局部結構單元，類似于圖像中的超像素（Superpixel），能夠將點云劃分為具有相似幾何/顏色特征的局部塊。超體素聚類方法通常比傳統歐式聚類更適應復雜場景。
主要的超體素聚類方法：
（1）VCCS (Voxel Cloud Connectivity Segmentation)
原理：將點云體素化，并在體素空技能進行區域生長，合并顏色、法向量和空間距離相似的體素。
特點：適用于RGB-D數據，計算效率高。
（2）SLIC (Simple Linear Iterative Clustering) 3D版
原理：將K-means思想擴展到3D空間，初始化種子點迭代優化超體素邊界。
特點：計算快，適合均勻分布點云。
（3）LCCP (Locally Convex Connected Patches)
原理：在超體素基礎上，進一步合并局部凸區域，適合復雜拓撲結構（如交叉管道）。
LCCP是一種基于超體素的進階聚類方法，專門解決復雜拓撲結構（如交叉管道、樹枝狀物體）的分割問題。核心思想是：
a. 超體素生成：先用VCCS等方法將點云劃分為超體素。
b. 凸性驗證合并：對相鄰超體素進行局部凸性判斷，合并滿足凸性條件的超體素。
關鍵概念：
凸性條件：若兩個超體素交界處的凹凸角度超過閾值，則判定為非凸連接，不合并。
拓撲保持：通過凸性檢查避免國服合并交叉結構。
算法優缺點：
優點：
保留復雜拓撲：通過凸性檢查避免交叉結構的錯誤合并。
多特征融合：支持顏色、法向量等特征參與分割。
缺點：
計算復雜度高：相比VCCS增加凸性驗證步驟。
依賴超體素質量：若初始超體素劃分不佳，最終受限。
調參建議：
a. 初步測試：固定凸性閾值，調整knn控制凸性檢查范圍。
b. 后處理：對LCCP結果進行歐式聚類，移除小簇。
c. 可視化驗證：用可視化軟件檢查交界處分割邊界是否合理。
通過LCCP方法，可以顯著提升復雜場景下的點云分割精度，尤其在工業檢測和生物醫學領域表現優異。

（4）ETPS (Efficient Topology Preserving Segmentation)
原理：基于圖論優化超體素合并，保持拓撲結構。

基于圖論的方法

核心思想：將點云建模為圖結構進行分割。

• 最小割（MIn Cut）：
  基于點間相似度構建圖，優化切割代價。
• 譜聚類
  對圖的拉普拉斯矩陣特征分解降維后聚類。

場景需求	擬定方法
簡單幾何分割	歐式聚類
復雜特征物體	超體素+VCCS
實時處理	基于KD-Tree的快速歐式聚類
高精度語義分割	深度學習

基于深度學習的端到端聚類

核心思想：神經網絡直接輸出點簇標簽。
PointNet++/DGCNN
通過特征提取+聚類頭（如MeanShift）實現。
實例分割網絡（如PointInst）
同時完成檢測與聚類。

評估指標

• 內部指標：輪廓稀疏（Silhouettes Score）
• 外部指標：Adjusted Range Index （ARI）
• 可視化驗證：按簇著色檢查邊界清晰度

常見可統計的體素信息

統計項	含義	用途舉例
點數密度	每個體素中包含多少點	識別異常密集/稀疏區域，判斷缺陷，設備位置等
法向量方差	點云法向量方向的一致性	判斷結構是否平整，識別邊界/破損/擾動區域
坐標方差/均值	每個體素內的空間分布特征	可用于局部平整度分析，或提取通道形狀
反射強度均值/方差	有反射強度字段的情況下（intensity）	判斷材質差異、識別金屬/混凝土/反光物質等
曲率均值	每個體素點的曲率平均值	提取拱頂、仰拱等曲面特征
主成分分析特征	每個體素內點云的主方向	用于幾何結構建模、邊緣檢測等

• 示例目標與統計建議

目標	建議統計項
判斷隧道結構完整性	點密度、法向量方差、曲率
提取拱頂和仰拱區域	曲率均值、法向量方向、Z坐標均值
分析施工缺陷	點密度異常、曲率極大值、PCA扁平性指標
準備語義分割特征	點密度、曲率、法向量一致性、強度