【PCL自学：Segmentation3】基于PCL的点云分割：区域增长分割

一、什么是区域增长分割

  在本文中，我们将学习如何使用pcl:: regiongrow类中实现的区域增长算法。所述算法的目的是将在平滑性约束方面足够接近的点分类。因此，该算法的输出是聚类的集合，其中每个聚类都是一组点，被认为是同一光滑曲面的一部分。该算法的工作是基于点法线之间角度的比较。

二、区域增长分割原理剖析

  让我们来看看该算法是如何工作的。
  1.首先，它根据它们的曲率值对点进行分类。之所以要这样做是因为这个区域从曲率最小的点开始增长。这是因为曲率最小的点位于平坦的区域(从最平坦的区域增长可以减少分割总数)。
  2.选中的点被添加到名为seeds(增长种子集合)的集合中。
  3.对于每个种子点，算法找到它的邻近点。
    a.每个邻居都被计算它的法线和当前种子点的法线之间的角度。如果角度小于阈值，则将当前点添加到当前种子所在区域。
    b.然后对每个邻域进行曲率值测试。如果曲率小于阈值，则将此点添加到种子集合中作为新种子。
    c.从种子集合中删除当前的种子。
  4.如果种子集变成空的，这意味着算法扩大了区域，这个过程从头开始重复迭代，直到种子集合为空。

三、区域增长分割示例代码

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/search/search.h>
#include <pcl/search/kdtree.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/filter_indices.h> // for pcl::removeNaNFromPointCloud
#include <pcl/segmentation/region_growing.h>

int
main ()
{
    
// 读取点云pcd文件
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1)
  {
    
    std::cout << "Cloud reading failed." << std::endl;
    return (-1);
  }

// 建立搜索KD树
  pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
// 计算点云法向
  pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
  normal_estimator.setSearchMethod (tree); // 搜索方法为kd树走索
  normal_estimator.setInputCloud (cloud);  // 填入点云
  normal_estimator.setKSearch (50);		   // 设置搜索范围
  normal_estimator.compute (*normals);	   // 将法相保存在normals
  pcl::IndicesPtr indices (new std::vector <int>);
  pcl::removeNaNFromPointCloud(*cloud, *indices); // 对点云建立索引

  pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg; // 区域增长类
  reg.setMinClusterSize (50); 		// 设置最小的集合点数
  reg.setMaxClusterSize (1000000);	// 设置最大集合点数
  reg.setSearchMethod (tree);		// 设置kd树搜索方法
  reg.setNumberOfNeighbours (30);	// 设置每次邻域搜索数(影响计算速度)
  reg.setInputCloud (cloud);		// 设置输入点云
  reg.setIndices (indices);			// 设置输入的索引
  reg.setInputNormals (normals);	// 设置输入法向
  reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI); // 设置平滑度阈值（弧度）
  reg.setCurvatureThreshold (1.0);	// 设置曲率阈值

// 分类集合 并开始计算
  std::vector <pcl::PointIndices> clusters;
  reg.extract (clusters);

// 一系列输出
  std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
  std::cout << "First cluster has " << clusters[0].indices.size () << " points." << std::endl;
  std::cout << "These are the indices of the points of the initial" <<
    std::endl << "cloud that belong to the first cluster:" << std::endl;
  std::size_t counter = 0;
  while (counter < clusters[0].indices.size ())
  {
    
    std::cout << clusters[0].indices[counter] << ", ";
    counter++;
    if (counter % 10 == 0)
      std::cout << std::endl;
  }
  std::cout << std::endl;
// 显示出分割后的点云，并赋予不同颜色
  pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud ();
  pcl::visualization::CloudViewer viewer ("Cluster viewer");
  viewer.showCloud(colored_cloud);
  while (!viewer.wasStopped ())
  {
    
  }

  return (0);
}

运行效果如下：

---

【博主简介】
  斯坦福的兔子，男，天津大学工学硕士。毕业至今从事光学三维成像及点云处理相关工作。因工作中使用的三维处理库为公司内部库，不具有普遍适用性，遂自学开源PCL库及其相关数学知识以备使用。谨此将自学过程与君共享。
博主才疏学浅，尚不具有指导能力，如有问题还请各位在评论处留言供大家共同讨论。’