Phát hiện các đường trong một đám mây điểm

Các giải pháp tốt nhất để phát hiện dòng trong một đám mây điểm là gì? So sánh được thực hiện với và giữa Hough Transform , Radon Transform , RANSAC (xem wikipedia) và Brute-Force Search (xem wikipedia).
Cái nào mạnh nhất để chống lại sự phân tán các điểm trong đám mây điểm?
Lưu ý:
1- Câu hỏi là về đám mây điểm 3D không phải hình ảnh.
2- Điểm trong đám mây điểm được phân tán ngẫu nhiên (vị trí hoàn toàn thưa thớt).
3- Không có thông tin về đối tượng (dòng) đang được khám phá về mặt định hướng ưa thích, kích thước, v.v ...
4- Cần phải xem xét dung sai xung quanh dòng ứng cử viên.
Cập nhật:
Theo thí nghiệm của tôi: RANSAC có thể dễ dàng bỏ lỡ một số dòng. Nó là tốt để phát hiện nhanh chóng các cạnh tuy nhiên sự phức tạp của phân tán điểm có thể tạo ra đầu ra không mong muốn. Hough và Radon rất giống nhau và tôi đã không có cơ hội thử dùng đám mây điểm 3D tuy nhiên chúng hoạt động tốt trên các trường hợp 2D. Có một khó khăn trong việc trích xuất các phân đoạn của dòng tìm thấy. BFS đơn giản là không thực tế đối với tập dữ liệu lớn.

Nó thực sự phụ thuộc, làm thế nào bạn sẽ đo lường chất lượng của các giải pháp? yêu cầu của bạn, thời gian thực, độ chính xác cao là gì? đám mây điểm lớn đến mức nào?

Bạn đã đề cập các phương pháp dựa trên xử lý tín hiệu hợp lệ nhưng lạ mắt để giải quyết vấn đề.

Hãy để tôi thêm ba phương pháp mà bạn chưa đề cập là cổ điển và có tính thống kê cao hơn: bình phương nhỏ nhất, hồi quy sườn và lasso.

Nếu bạn thực sự lo lắng về các dòng phát hiện, bạn có thể thực hiện một cách tiếp cận đơn giản hóa.

Chiếu đám mây điểm của bạn - lên ít nhất hai bề mặt. Hãy nói rằng chiếu chúng trên mặt phẳng XY và mặt phẳng YZ. Về cơ bản bắt đầu với một khung vẽ trống và chiếu từng điểm dựa trên một số tiêu chí hình học. Vì vậy, bây giờ bạn sẽ có một khung hình 2D hữu hạn là tất cả các điểm trắng nhưng trắng . Bây giờ bạn có thể áp dụng biến đổi hough trên canvas này.

Dựa vào hough, bạn sẽ nhận được dòng $(r,\theta)$ và $(r,\phi)$cho hai mặt phẳng tương ứng. Bước tiếp theo thực sự là liên kết các dòng này để xác định dòng 3D duy nhất trong số này.

Theo như độ chính xác, khi dữ liệu thưa thớt, điểm số của hough (tức là sức mạnh) có thể ít hơn. Tuy nhiên, nó sẽ hoạt động nếu tổng thể tất cả các dòng đều thưa thớt. Đó là một vấn đề khi bạn đang so sánh một dòng rất dài với một dòng ngắn.