DBSCAN聚类算法是一种基于密度的聚类算法 ，全称为“基于密度的带有噪声的空间聚类应用”，英文名称为Density-Based Spatial Clustering of Applications with Noise。
DBSCAN聚类算法能够发现任意形状的类别，并且对噪音数据具有较强的鲁棒性。其基本思想是，如果一个点在给定的邻域内有足够多的相邻点，那么该点就是一个核心点；如果一个点在给定的邻域内没有足够多的相邻点，那么该点就是一个边界点；如果一个点既不是核心点也不是边界点，那么该点就是噪音点。
DBSCAN聚类算法的优点在于，它只需要扫描一遍数据集即可完成聚类，不需迭代执行，因此具有较高的效率。此外，DBSCAN聚类算法可以发现任意形状的簇，而不仅仅是凸形簇。
在实际应用中，DBSCAN聚类算法可以应用于许多领域，如 图像处理、文本挖掘、生物信息学 等。例如，在图像处理中，可以使用DBSCAN聚类算法对图像进行分割和识别；在文本挖掘中，可以使用DBSCAN聚类算法对文本进行主题分类和情感分析；在生物信息学中，可以使用DBSCAN聚类算法对基因序列进行聚类分析。总之，DBSCAN聚类算法是一种非常实用的聚类算法，可以应用于许多领域。
我这里使用的是Open3D库自带的DBSCAN算法，主要参数就两个：1、eps: 这是确定邻域的半径。它决定了在考虑一个点是否在某个点的邻域时，我们考虑的范围有多大。2、min_points: 这是构成一个簇所需要的最少点数。如果一个点的邻域中包含的点数少于这个值，那么这个点将被视为噪声点，不会加入任何簇。
# -*- coding: utf-8 -*-
"""
@Time ： 2023/11/3 14:37
@Auth ： RS迷途小书童
@File ：Point Cloud Clustering.py
@IDE ：PyCharm
@Purpose：点云聚类
"""
import open3d as o3d
import numpy as np
import matplotlib.pyplot as plt
def DBSCAN():
# 欧式聚类，注意eps和min_points的取值
pcd_path = r"4 - Cloud.pcd"
pcd = o3d.io.read_point_cloud(pcd_path)
pcd = o3d.geometry.PointCloud(pcd)
print(pcd)
# pcd.transform([[1, 0, 0, 0], [0, -1, 0, 0], [0, 0, -1, 0], [0, 0, 0, 1]])
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
labels = np.array(pcd.cluster_dbscan(eps=0.045, min_points=20, print_progress=True))
# eps: 这是确定邻域的半径。它决定了在考虑一个点是否在某个点的邻域时，我们考虑的范围有多大。
# min_points: 这是构成一个簇所需要的最少点数。如果一个点的邻域中包含的点数少于这个值，那么这个点将被视为噪声点，不会加入任何簇。
max_label = max(labels) # 最大的类别值
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 # 类别为0的，颜色设置为黑色
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3]) # ndarray to vector3d
o3d.visualization.draw([pcd], width=1920, height=1080)
output_path = "clustered_point_cloud.pcd"
o3d.io.write_point_cloud(output_path, pcd)
if __name__ == "__main__":
DBSCAN()
总的来说，DBSCAN算法还是不错的，它作为基于欧式距离为基础的密度聚类算法在表现上还可以。但是对于完善地林业单木分割还是有些困难，可能还需要加入其他算法来修正它的结果。其次在DBSCAN算法的参数方面需要好好臻选，如果搜索半径设置的过大程序就会执行很长一段时间！