如何修复基于法线的Conditional Euclidean Clustering点云分割失效问题？

针对所有点被归为单一聚类的问题，从法线估计、聚类逻辑和参数三个维度给出具体修复方案：

一、修复法线估计错误 #

边缘点法线异常是核心问题之一，主要因为邻域范围过小，导致边缘点的邻域同时包含平面和圆柱的点，计算出的法线方向混乱。

• 调整邻域参数：
  把setKSearch(5)改成更大的K值（比如15~20），或者改用半径搜索并设置合理的半径（比如setRadiusSearch(0.1)，根据点云密度微调，确保邻域内的点都属于同一个曲面）。
• 统一法线方向：
  计算法线后，调用pcl::flipNormalsTowardsViewpoint函数，让所有法线朝向统一参考方向（比如相机视角），避免平面和圆柱的法线因方向相反但点积绝对值大而被误判为相似：

  Eigen::Vector3f viewpoint(0, 0, 1); // 根据实际相机位置调整
  pcl::flipNormalsTowardsViewpoint(*cloud, viewpoint[0], viewpoint[1], viewpoint[2], *cloud_normals);
  

• 优化法线计算方式：
  如果点云是结构化深度点云（比如RGB-D相机采集），可以启用注释掉的IntegralImageNormalEstimation，它对边缘点的法线估计更鲁棒：

  pcl::IntegralImageNormalEstimation<PointT, PointN> ne;
  ne.setMaxDepthChangeFactor(0.02f);
  ne.setNormalSmoothingSize(10.0f);
  

二、优化聚类条件与参数 #

1. 改进条件函数逻辑 #

当前仅判断法线点积，阈值0.7过低，且未区分平面与圆柱的曲率差异。修改条件函数，加入曲率判断（平面曲率接近0，圆柱曲率有固定值），同时提高法线相似度阈值：

bool enforceCurvatureSimilarity(const PointFull& point_a, const PointFull& point_b, float squared_distance)
{
  Eigen::Map<const Eigen::Vector3f> point_a_normal = point_a.getNormalVector3fMap();
  Eigen::Map<const Eigen::Vector3f> point_b_normal = point_b.getNormalVector3fMap();
  
  // 法线相似度阈值提高到0.9，确保只有法线几乎平行的点才会被归为一类
  bool normal_similar = std::abs(point_a_normal.dot(point_b_normal)) > 0.9;
  // 曲率差异阈值，区分平面（低曲率）和圆柱（高曲率）
  bool curvature_similar = std::abs(point_a.curvature - point_b.curvature) < 0.01;
  
  return normal_similar && curvature_similar;
}

2. 调整聚类参数 #

• ClusterTolerance：0.05可能过大，导致平面与圆柱边缘的点被错误连接。尝试减小到0.03，或根据点云的平均点间距设置（比如平均间距的2倍）。
• 聚类大小阈值：当前setMaxClusterSize(cloud_with_normals->size() *0.1)会过滤掉占比超过10%的集群，但平面点云占比远大于10%，会导致平面被归为大集群而被过滤。修改为：

  cec.setMinClusterSize(500); // 根据圆柱的最小预期点数设置固定值
  cec.setMaxClusterSize(cloud_with_normals->size() - 500); // 确保平面不会被过滤
  

三、额外预处理方案（可选） #

如果上述调整后仍有问题，可以先通过RANSAC拟合平面，提前分割出平面点云，再对剩余点云做聚类：

pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
pcl::SACSegmentation<PointT> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(100);
seg.setDistanceThreshold(0.01);
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);

// 提取平面外的点云（即圆柱候选）
pcl::ExtractIndices<PointT> extract;
extract.setInputCloud(cloud);
extract.setIndices(inliers);
extract.setNegative(true);
extract.filter(*cylinder_candidate_cloud);

内容的提问来源于stack exchange，提问作者DuffRumkins