点云分割是将点云中具有相似特征的点归为同一子集,以获取点云数据中更感兴趣、更高层次的信息。室内环境通常由复杂的平面和物体组成,存在很多噪声点。因此,高效准确的室内场景点云物体分割算法是目标检测、三维重建、物体识别等视觉应用领域的先决条件之一。针对现有区域增长算法分割效率低及物体分割存在大量过分割和欠分割等问题。本文面向室内三维图像分割场景,提出了基于改进区域增长的室内点云分割算法。该算法可以实现室内点云场景中目标物体的高效、准确的分割。论文主要研究工作如下:研究室内场景下的点云滤波算法。现有三维扫描仪获取的真实室内场景点云数据,往往因为各种原因导致收集得到的点云数据存在大量噪声点、异常点云和目标范围外的点云数据。在目标对象分割过程中,这些数据都是影响点云分割准确度的噪声数据。现有的滤波算法只能实现一种噪声数据的滤除且效果欠佳。为了提高点云分割的准确度,本文结合半径滤波和直通滤波算法提出了一种新的融合滤波算法。将该算法用于室内环境下的点云滤波处理,可以有效地滤除噪声数据。提出基于并查集算法的点云目标提取分割算法。目标分割提取是室内场景下物体重建的重要步骤,现有的目标提取分割算法相对较少。本文提出一种基于并查集算法的点云目标分割提取算法,与欧几里得聚类提取分割算法相比,该算法的分割效率有效提高。本文中的算法用于叶片模型的检测,可以准确地在收集到的三维点云数据中提取出目标物体,即是叶片模型点云数据。提出改进区域增长算法。传统区域增长算法对噪声点云异常敏感,且会出现很多过分割和欠分割情况。本文对现有区域增长进行了改进,主要是改进了区域判决条件,使用三个不同的特征向量作为区域判决条件。其可有效降低噪声点云和异常点对区域增长分割的影响。虽然在一定程度上增加了算法的时间复杂度,但是可以极大地降低对噪声的敏感度。提出基于改进区域增长的室内点云分割算法。针对复杂的室内场景,本文提出使用随机采样一致、并查集和改进区域增长算法,来实现室内点云数据的分割。本文中的算法一方面可以去除不需要分割的点云数据,另一方面可以不受扫描设备等原因产生的噪声点和异常点的影响,因此可以高效准确的对室内场景下的目标物体进行分割。同时,为了降低本文改进区域增长算法的时间复杂度,本文也使用体素下采样算法来简化点云、降低点云分割过程所需的时间。基于改进区域增长的室内场景点云分割算法的实验结果表明,本文提出的算法与传统区域增长算法相比,可以提高实现室内场景点云分割的准确度,降低分割的复杂度。