Open3D 对点云进行去噪（下采样、欧式聚类分割）01

Open3D使用 下采样（Voxel Downsample） 和 欧式聚类分割（Cluster DBSCAN） 优化点云的去噪效果，尤其是在面对大量噪声或孤立簇时非常有效。

1. Voxel 下采样：降低点云密度，加速后续处理。
2. DBSCAN 聚类分割：识别并移除孤立的小点簇（即噪声簇）。

✅ 方法一：Voxel 下采样（Voxel Downsample）

📌 原理说明：

通过将空间划分为体素（voxel），每个体素内只保留一个代表点（如中心点或平均点），从而达到降采样和初步去噪的目的。

# 设置 voxel_size，根据你的点云密度调整（单位与点云一致，例如米或毫米）
voxel_size = 0.05  # 例如：5厘米

# 执行 Voxel 下采样
downsampled_pcd = filtered_pcd.voxel_down_sample(voxel_size=voxel_size)

print(f"原始点数量: {len(filtered_pcd.points)}")
print(f"下采样后点数量: {len(downsampled_pcd.points)}")

✅ 方法二：欧式聚类分割（Cluster DBSCAN）

📌 原理说明：

DBSCAN 是一种基于密度的聚类算法，能识别出密集区域的点簇，并将稀疏的、孤立的小簇标记为噪声。

# 使用欧式聚类 DBSCAN 分割
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(
        downsampled_pcd.cluster_dbscan(eps=0.3, min_points=10, print_progress=True)
    )

# eps: 搜索邻域半径（单位与点云一致）
# min_points: 成为一个簇所需的最小点数

# 显示聚类结果
max_label = labels.max()
print(f"找到 {max_label + 1} 个簇")

# 可选：给不同簇上色可视化
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
colors[labels < 0] = 0  # 噪声点涂成黑色
downsampled_pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])

# 可视化聚类结果
o3d.visualization.draw_geometries([downsampled_pcd])

✅ 方法三：结合使用 —— 移除孤立小簇（更彻底去噪）

如果你的目标是去除所有不属于大簇的点（即噪声），可以按如下方式操作：

# 将簇标签转换为整型数组
unique_labels, counts = np.unique(labels, return_counts=True)

# 设置最小簇大小阈值（例如：50个点）
min_cluster_size = 50

# 获取满足条件的簇标签
valid_clusters = unique_labels[counts >= min_cluster_size]

# 构建 mask：仅保留属于“大簇”的点
mask = np.isin(labels, valid_clusters)

# 应用 mask 到点云
cleaned_points = np.asarray(downsampled_pcd.points)[mask]
cleaned_colors = np.asarray(downsampled_pcd.colors)[mask] if downsampled_pcd.has_colors() else None

# 创建新的干净点云
final_cleaned_pcd = o3d.geometry.PointCloud()
final_cleaned_pcd.points = o3d.utility.Vector3dVector(cleaned_points)
if cleaned_colors is not None:
    final_cleaned_pcd.colors = o3d.utility.Vector3dVector(cleaned_colors)

# 可视化最终结果
o3d.visualization.draw_geometries([final_cleaned_pcd])

🧠 总结流程建议：

📦 完整函数封装示例（可直接调用）

def remove_noise_with_clustering(pcd, voxel_size=0.05, eps=0.3, min_points=10, min_cluster_size=50):
    # Step 1: 下采样
    downsampled_pcd = pcd.voxel_down_sample(voxel_size=voxel_size)

    # Step 2: DBSCAN 聚类
    labels = np.array(downsampled_pcd.cluster_dbscan(eps=eps, min_points=min_points, print_progress=False))

    # Step 3: 过滤小簇
    unique_labels, counts = np.unique(labels, return_counts=True)
    valid_clusters = unique_labels[counts >= min_cluster_size]
    mask = np.isin(labels, valid_clusters)

    # Step 4: 提取干净点云
    cleaned_points = np.asarray(downsampled_pcd.points)[mask]
    cleaned_colors = np.asarray(downsampled_pcd.colors)[mask] if downsampled_pcd.has_colors() else None

    cleaned_pcd = o3d.geometry.PointCloud()
    cleaned_pcd.points = o3d.utility.Vector3dVector(cleaned_points)
    if cleaned_colors is not None:
        cleaned_pcd.colors = o3d.utility.Vector3dVector(cleaned_colors)

    return cleaned_pcd

✅ 使用示例：

import open3d as o3d
import numpy as np

def remove_noise_with_clustering(pcd, voxel_size=0.05, eps=0.3, min_points=10, min_cluster_size=50):
    # Step 1: 下采样
    downsampled_pcd = pcd.voxel_down_sample(voxel_size=voxel_size)

    # Step 2: DBSCAN 聚类
    labels = np.array(downsampled_pcd.cluster_dbscan(eps=eps, min_points=min_points, print_progress=False))

    # Step 3: 过滤小簇
    unique_labels, counts = np.unique(labels, return_counts=True)
    valid_clusters = unique_labels[counts >= min_cluster_size]
    mask = np.isin(labels, valid_clusters)

    # Step 4: 提取干净点云
    cleaned_points = np.asarray(downsampled_pcd.points)[mask]
    cleaned_colors = np.asarray(downsampled_pcd.colors)[mask] if downsampled_pcd.has_colors() else None

    cleaned_pcd = o3d.geometry.PointCloud()
    cleaned_pcd.points = o3d.utility.Vector3dVector(cleaned_points)
    if cleaned_colors is not None:
        cleaned_pcd.colors = o3d.utility.Vector3dVector(cleaned_colors)
    return cleaned_pcd
    
if __name__ == "__main__":
    # 加载点云
    file_path = "demo.ply"
    pcd = o3d.io.read_point_cloud(file_path)
    # 将点云数据转化为numpy数组
    points = np.asarray(pcd.points)
    colors = np.asarray(pcd.colors)  # 获取颜色数据
    # 筛选Z轴小于设定阈值的点及其对应的颜色
    mask = (points[:, 2] > 500) & (points[:, 2] < 3000)
    filtered_points = points[mask]
    filtered_colors = colors[mask]
    # 交换X轴和Y轴的数据
    filtered_points[:, [0, 1]] = filtered_points[:, [1, 0]]
    # 创建新的点云对象并赋值筛选后的点和颜色
    filtered_pcd = o3d.geometry.PointCloud()
    filtered_pcd.points = o3d.utility.Vector3dVector(filtered_points)
    filtered_pcd.colors = o3d.utility.Vector3dVector(filtered_colors)

    cleaned_pcd = remove_noise_with_clustering(filtered_pcd, voxel_size=0.05*1000, eps=0.3*1000, min_points=10, min_cluster_size=50)
    o3d.visualization.draw_geometries([filtered_pcd],width=800, height=500)
    o3d.visualization.draw_geometries([cleaned_pcd],width=800, height=500)

原点云：

Voxel 下采样+欧式聚类分割（Cluster DBSCAN）