八种点云聚类方法（一）— DBSCAN_点云聚类算法

本文为博主原创文章，未经博主允许不得转载。
本文为专栏《python三维点云从基础到深度学习》系列文章，地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。

  传统机器学习聚类的方法有很多种，并且很多都能够应用在点云上。这是由于聚类方法一般是针对于通用样本，只是样本的维度有所不同。对于三维点云来说，其样本的维度为3。这里主要介绍几种典型的方法及其实现方式，包括DBSCAN、KMeans等聚类方法，采用python open3d和skit-learn来实现。

1 DBSCAN点云聚类

        DBSCAN聚类是一种基于密度的聚类算法，大体思想是根据样本点的密度和连通性，将密度满足要求且密度可达的点设置为同一类。

        open3d中DBSCAN聚类方法的函数为cluster_dbscan。第一个参数eps表示DBSCAN算法确定点密度时和邻近点的距离大小，即考虑eps距离范围内的点进行密度计算。min_points表示组成一类最少需要多少个点。print_progress可以用来显示运行的进度。labels返回聚类成功的类别，-1表示没有分到任何类中的点，原始点云中每个点都会分别得到一个类别标签。

labels=pcd.cluster_dbscan(eps, min_points, print_progress=False)
#labels返回聚类成功的类别，-1表示没有分到任何类中的点

2 python open3d程序

 pcd文件请参考：pcd格式点云