OPTICS 点云聚类算法 （附python代码）

OPTICS（Ordering Points To Identify the Clustering Structure）和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）都是基于密度的聚类算法，但它们在一些方面有一些区别。

聚类结构的发现方式：DBSCAN通过定义一个邻域半径和最小邻域样本数来寻找密度可达的样本点形成聚类，能够发现任意形状和大小的聚类。
OPTICS通过计算可及性距离和可及性图来识别聚类结构，可以捕捉到不同密度的聚类，并将样本点分为核心点、边界点和噪声点。

聚类数量的确定：DBSCAN不需要预先指定聚类数量，而是根据数据的密度信息自动确定聚类数量。
OPTICS也不需要预先指定聚类数量，但它提供了一个参数，即最小邻域样本数，用于控制聚类数量的敏感度。

噪声和异常值处理：DBSCAN通过将低密度区域中的样本点标记为噪声点，将其排除在聚类之外。
OPTICS通过可及性图中的低密度区域来标识噪声点，并将其与聚类结构区分开。
算法复杂度：

DBSCAN的时间复杂度为O(n log n)，其中n是数据集中的样本点数量。
OPTICS的时间复杂度为O(n^2)，对于大型数据集可能会有较高的计算成本。

以下是对代码的逐行解释：

1. `pc_file=r""`：定义点云文件的路径。你需要将具体的点云文件路径赋值给 `pc_file`。

1. `pointcloud=o3d.io.read_point_cloud(pc