1.CANUPO点云分类

CANUPO插件是一种自动分类点云的简单而有效的方法。它允许用户创建自己的分类器（通过在小样本上训练它们）和/或在点云上一次应用一个分类器，以便将其分成两个子集。它还为每个点输出分类置信度值，以便用户可以快速识别有问题的案例（问题一般出现在边界上）。
在这里插入图片描述
分类结果示例如下图所示：

2.获取工作分类器

使用现有的“.prm”文件
分类器存储在独立的“.prm”文件中。它们可以应用于任何与分类器单位一致的点云数据处理中。例如：如果分类器已经训练过定期采样在0.05~0.3 m之间的比例，那么用于分类的点云也必须是以“米”为单位。
所以任何人都可以与他人分享分类器。共享分类器可以通过以下途径获得：

可能适合您需求的现有分类器的作者网页（上面的链接- 请参阅“样本数据，分类器和批处理文件”部分）
CloudCompare论坛上的专用线程：http://www.cloudcompare.org/forum/viewtopic.php?t=808

3.训练自己的分类器

准备数据
获取一个可以正常使用的分类器也是很容易的。首先，手动分割代表每个类的一些点组（使用CloudCompare的剪刀工具）。对于每个类，应该采用几个典型的点子集，并将它们重新组合在一个云中（使用CloudCompare的Edit> Merge方法）。然后，尝试对每个分类可能遇到的各种案例进行详尽的抽样，还要确保所有子集的点数大致相同（或者至少相对数量代表它们在数据中的出现次数）。
在这里插入图片描述

提示：确保两者都具有唯一且清晰的名称，以便在其余过程中区分它们（使用F2可以直接对选定分类进行重命名）。

训练分类器
手动分类完毕即可使用'Plugins> qCANUPO > Train classifier'功能对数据进行训练。
在这里插入图片描述

主要参数及功能如下所示：
在这里插入图片描述
在class＃1和class＃2组合框中选择正确的点云。然后输入希望用于多尺度描述符的比例范围（有关如何选择正确值的更多信息，参阅canupo原教程和文章）。

ramp方法：缩放值将在间隔内均匀采样
list方法：自定义缩放列表方法，自定义参数由空格字符分隔，例如：“0.05 0.1 0.2 0.5 1.0”。

注意：设置的比例越多，结果可能越具有辨别力，但计算时间也越长（特别是最大比例相对于点云密度较大时）。

还可以选择在对话框的下半部分设置更高级的参数：

Use original cloud for descriptors：计算的描述符的类型（目前只有“Dimensionality”是可用的，该类型由Brodu和Lague在CANUPO的原始论文中提出）
Show classifier behavior on：从输入点云中随机提取的核心点的最大数量（在大多数情况下，10000或20000个就绰绰有余）
可以指定使用原始点云（不是分段的云）来计算描述符（根据其大小，计算时间会更长一些，但可以在边界上提供更好的结果）
最终可以指定另一个用于显示分类器行为的点云（见下文）

完成以上准备工作之后，即可单击“确定”按钮开始培训。插件将开始计算每个点云上的描述符，然后尝试在自定义2D空间中找到最佳分类边界。
分类器行为通过将分类空间中的所有描述符投影到其间（作为品红色线）来表示。如果已设置自定义云以显示分类器行为，则其所有描述符将以灰色表示。否则，对应于第一类的描述符将以蓝色显示，而其他描述符将以红色显示。
在这里插入图片描述
上述界面中可以进行以下操作：

可以减少用于训练分类器的比例数（默认情况下，首先删除最大比例）。这使您可以调整分类器，以便尽可能使用较小的比例（具有最小的比例半径，以便最小化描述符的计算时间），同时保持足够的区分行为。
也可以编辑边界位置。可以移动边界线的顶点（右键单击+按住按钮）;可以添加新的顶点（通过单击任意位置- 在这种情况下，顶点将被添加到最近的线的末端- 或者通过在线上精确点击- 在这种情况下，将在鼠标光标附近的线上创建新的顶点）;顶点可以被删除（左键单击- 只有在线条有多于2个顶点时才考虑）。通过单击“重置边界”按钮，可以随时将边界重置为其原始状态。

准备好后，将分类器保存在.prm文件中。该文件将用作“Classify”方法的输入（见下文）。

4.在点云上应用分类器

一旦有了有效的分类器文件（见上文），就可以在任何点云上应用它（点云的单位需要与分类器一致- 见上文）。
选择要分类的点云，并调用插件的“分类”方法（(‘Plugins > qCANUPO > Classify’）。
在这里插入图片描述

首先加载分类器文件（文件字段旁边有“…”按钮）。

在这里插入图片描述

然后选择应该进行计算的“核心点”：对于这样的过程使用云的所有点并不总是必要的（此外它可能很长）。因此，特别是对于第一次尝试，您可以通过对原始云进行二次采样或通过提供自己的核心点（例如输入点云的栅格化版本）来使用更少的点。可以直接打开由Nicolas Brodu开发的原始CANUPO插件生成的“.msc”文件。最终，无论对核心点做出何种选择，所有点都将被分类。给定核心点的分类结果传播到其最近的邻居。因此，使用核心点而不是整个云可能只是在边界上不太准确。
在这里插入图片描述