Segmentation Avancée : Le Duel RANSAC vs DBSCAN

1. La Philosophie de la Segmentation 3D

La segmentation est la pierre angulaire de la compréhension de scène. Elle se divise en trois familles : la Segmentation Sémantique (label par classe), la Segmentation d'Instance (label par objet) et la Segmentation de Primitives (géométrie). Aujourd'hui, nous attaquons le cœur de la segmentation géométrique non-supervisée.

Commençons par le roi de la robustesse : RANSAC.

2. RANSAC : La Robustesse Statistique

RANSAC (Random Sample Consensus) part d'un postulat simple : vos données contiennent des structures géométriques pures contaminées par du bruit. En sélectionnant aléatoirement un sous-ensemble minimal de points (3 pour un plan), il construit un modèle hypothétique et le valide contre l'ensemble du dataset.

import open3d as o3d

def extract_dominant_plane(pcd, threshold=0.02):
    model, inliers = pcd.segment_plane(
        distance_threshold=threshold,
        ransac_n=3,
        num_iterations=1000
    )
    [a, b, c, d] = model
    # Équation: ax + by + cz + d = 0
    print(f"Plane Equation: {a:.2f}x + {b:.2f}y + ... = 0")
    return pcd.select_by_index(inliers), pcd.select_by_index(inliers, invert=True)

La puissance de RANSAC réside dans sa capacité à ignorer les outliers. Même avec 50% de bruit, il trouvera le plan dominant. Mais attention, c'est un algorithme stochastique : le résultat n'est pas déterministe à 100% sans une graine (seed) fixée.

Une fois les structures géométriques (sols, murs) retirées, il nous reste des objets flottants. Comment les grouper ?

3. DBSCAN : L'Archipel de Densité

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) est l'algorithme de choix pour le clustering non-paramétrique. Il ne nécessite pas de définir le nombre de clusters K à l'avance, ce qui est vital dans une scène urbaine inconnue.

import matplotlib.pyplot as plt

# Isolation des clusters
labels = np.array(objects.cluster_dbscan(
    eps=0.30,       # Rayon de voisinage (30cm)
    min_points=15,  # Densité minimale
    print_progress=True
))

max_label = labels.max()
print(f"Found {max_label + 1} individual objects")

Deux paramètres gouvernent DBSCAN : eps (la distance d'accessibilité) et min_points (la masse critique). Ces hyperparamètres sont sensibles à l'échelle. Pour un scan LiDAR aéroporté, eps=1.0m ; pour un objet scanné à main, eps=0.01m.

4. Analyse Comparative : Le Match

Quand utiliser l'un ou l'autre ? La réponse est souvent : les deux, séquentiellement.

En ingénierie inverse (Scan-to-BIM), RANSAC est roi pour reconstruire les murs. En conduite autonome, DBSCAN est crucial pour détecter les piétons non-standard.

5. Application : Pipeline de Nettoyage Automatique

L'implémentation industrielle typique combine un filtrage statistique initial (SOR) pour retirer les artefacts de vol, suivi d'un RANSAC pour "grounder" la scène, et enfin un DBSCAN pour l'analyse d'objets.

def auto_clean(pcd):
    # 1. Statistical Outlier Removal
    cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
    clean_pcd = pcd.select_by_index(ind)
    
    # 2. Ground Removal
    _, inliers = clean_pcd.segment_plane(distance_threshold=0.05, ransac_n=3, num_iterations=1000)
    objects = clean_pcd.select_by_index(inliers, invert=True)
    
    # 3. Object Clustering
    labels = objects.cluster_dbscan(eps=0.25, min_points=10)
    return objects, labels

Ce pipeline de 12 lignes constitue 80% du travail de preprocessing pour la plupart des tâches de perception machine modernes.