DBSCAN聚類算法，是基于密度的聚類算法。該算法需要兩個參數。

labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))

---

入參：

• eps： 定義到聚類鄰居的距離
• min_points： 定義形成聚類所需的最小點數。

出參：

• 該函數返回一個標簽，其中標簽-1表示噪音。

該算法定義以選中的點開始蔓延，鄰居點距離<=0.02米，最小有10個點就可以構成一個簇；適用于原始點云分隔的比較開的，有明顯界限的點云。

原始點云被分成了10個聚簇，每個聚簇不同的顏色，只有3個聚簇的點數比較巨大，明顯一些。另外右邊角落有一塊比較小的片段。

官方例子算法效果：

輸出：

Format = auto
Extension = ply
geometry::PointCloud with 196133 points.
[Open3D DEBUG] Precompute Neighbours
[Open3D DEBUG] Done Precompute Neighbours
[Open3D DEBUG] Compute Clusters
Precompute Neighbours[========================================] 100%
[Open3D DEBUG] Done Compute Clusters: 10
point cloud has 10 clusters

源代碼：

# <DBSCAN聚類算法，是基于密度的聚類算法。>
# 該算法需要兩個參數。
# -eps： 定義到聚類鄰居的距離
# -min_points： 定義形成聚類所需的最小點數。
# 該函數返回一個標簽，其中標簽-1表示噪音。>import open3d as o3d
import matplotlib.pyplot as plt
import numpy as nppath =  "../pcds/fragment.ply"
print(path)pcd = o3d.io.read_point_cloud(path)
print(pcd)# 定義以選中的點開始蔓延，鄰居點距離0.02米的，最小有10個點，可以構成一個簇；適用于點云分隔的比較開的，一塊一塊的點云。
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))max_label = labels.max()
print(f"point cloud has {max_label + 1} clusters")
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))colors[labels < 0] = 0
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd], "Open3D dbscanclusting")

參考：

http://www.open3d.org/docs/release/tutorial/Basic/pointcloud.html#Access-estimated-vertex-normal

總結

以上是生活随笔為你收集整理的Open3D DbScanClustering聚类算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。