点云数据的语义分割算法综述总结大全（传统方法+基于深度学习的方法）

最新推荐文章于 2026-02-21 01:32:40 发布

原创

最新推荐文章于 2026-02-21 01:32:40 发布 · 1.8w 阅读

文章探讨了传统点云分割方法，如基于边缘、模型拟合、区域增长、属性和图优化的分割，以及深度学习在点云分割领域的进展，包括基于投影、体素和点的分割方法。深度学习尤其是基于点的网络如PointNet和PointCNN，显著提高了分割准确度，但仍有挑战，如空间信息丢失和计算效率。未来研究重点在于不同方法的融合。

相比较于2D数据（图像数据），三维点云数据大多是非规则化、非结构化并且无序的，保留了原始的几何信息在三维空间中，虽然可以获取对象的形状大小，但对其空间位置、几何属性、实质属性等特征的分割也带来了更多的问题。加上其采集过程中，光线以及设备角度变化的速率造成采集的点数据的密度分布不均，点云语义分割仍面临一系列的问题。

早期也有不少人尝试在点云分割领域做研究，这些传统的分割方法也取得了一定的效果，但大多受限于特定的场景和先验知识，无法推广应用，并且比较耗时。

随着近些年来深度学习的快速发展，点云语义分割的研究重点也转移到以深度学习为首的相关方法上。这些方法相较于早期的传统方法，分割的准确度有了极大的提升，尤其是直接在点云上处理数据的思想被提出以后，越来越多的人开始倾向于直接在点云上进行处理，来充分利用3D点云中所包含的丰富的空间信息。

1 传统方法

在深度学习应用于点云分割领域之前，已经有相当多的方法在尝试点云的分割，这些传统的点云分割方法主要依赖于几何约束和统计规则来人工设计物体的特征，将原始的点云数据分为不重叠的几组区域，来对应场景中的各个对象，虽然效果不太理想，但思想仍然有可借鉴的地方，这些方法可分以下四个方面。

1.1基于边缘信息的分割

基于边缘的分割方法是通过识别亮度突变点来识别边缘信息，从而描述物体的形状，再对这些边缘信息点进行分组来确定最终的分割结果。

该方法分割速度较快，但缺点是准确度比较低，对于密度不均匀或稀疏的点云很敏感，还会受到噪声的干扰。

1.2基于模型拟合的分割

基于模型拟合的分割是以点云数据的分类和几何形状为基础的，将点云与已知的几何图形进行对比匹配（如圆柱体、圆锥体、球体等）将具有相同数学特征的点划为一类，从而在点云中分割出已知的几何形状，

该方法主要是基于数学原理的分割方法，与基于边缘信息的分割相比，不仅受噪声干扰小，还有较快的计算速度。

1.3基于区域增长的分割

以区域为基础的分割方法就是对点云区域进行分割，根据一定的差异准则，将差异性小的点云归为同一区域。具体分为种子和非种子区域方法。

种子区域首先需要选取多个种子点作为起始点，依据设定好的生长规则，在种子周围添加特征相似度高的邻域点，使其邻域空间生长扩散，再以此邻域点作为新的种子点重复以上生长过程。种子区域分割受噪声影响较大，计算时间较长。另外，该方法的分割精度很大程度受初始种子点选取的影响，因此，如何选择合适的初始种子点是该方法的关键点和难点。

非种子区域则是先将空间域所有的点归为同一区域，再对该区域进行进一步细分。和种子区域相比，非种子区域分割的缺点在于难以细分位置，而且存在分割过度的情况，分割的精度对先验知识的要求较高。