PCL—低層次視覺—點雲分割（RanSaC）

點雲分割

　　點雲分割可謂點雲處理的精髓，也是三維圖像相對二維圖像最大優勢的體現。不過多插一句，自Niloy J Mitra教授的Global contrast based salient region detection出現，最優分割到底鹿死誰手還不好說。暫且不論他開掛的圖像處理算法，先安心做一個PCL吹~

　　點雲分割的目的提取點雲中的不同物體，從而實現分而治之，突出重點，單獨處理的目的。而在現實點雲數據中，往往對場景中的物體有一定先驗知識。比如：桌面牆面多半是大平面，桌上的罐子應該是圓柱體，長方體的盒子可能是牛奶盒......對於復雜場景中的物體，其幾何外形可以歸結於簡單的幾何形狀。這為分割帶來了巨大的便利，因為簡單幾何形狀是可以用方程來描述的，或者說，可以用有限的參數來描述復雜的物體。而方程則代表的物體的拓撲抽象。於是，RanSaC算法可以很好的將此類物體分割出來。

RanSaC算法

　　RanSaC算法（隨機采樣一致）原本是用於數據處理的一種經典算法，其作用是在大量噪聲情況下，提取物體中特定的成分。下圖是對RanSaC算法效果的說明。圖中有一些點顯然是滿足某條直線的，另外有一團點是純噪聲。目的是在大量噪聲的情況下找到直線方程，此時噪聲數據量是直線的3倍。

　　如果用最小二乘法是無法得到這樣的效果的，直線大約會在圖中直線偏上一點。關於隨機采樣一致性算法的原理，在wiki百科上講的很清楚，甚至給出了偽代碼和matlab,C代碼。見網址https://en.wikipedia.org/wiki/RANSAC. 我想換一個不那么嚴肅或者說不那么學術的方式來解釋這個算法。

　　實際上這個算法就是從一堆數據里挑出自己最心儀的數據。所謂心儀當然是有個標准（目標的形式:滿足直線方程？滿足圓方程？以及能容忍的誤差e）。平面中確定一條直線需要2點，確定一個圓則需要3點。隨機采樣算法，其實就和小女生找男朋友差不多。

1. 從人群中隨便找個男生，看看他條件怎么樣，然后和他談戀愛，（平面中隨機找兩個點，擬合一條直線，並計算在容忍誤差e中有多少點滿足這條直線）
2. 第二天，再重新找個男生，看看他條件怎么樣，和男朋友比比，如果更好就換新的（重新隨機選兩點，擬合直線，看看這條直線是不是能容忍更多的點，如果是則記此直線為結果）
3. 第三天，重復第二天的行為（循環迭代）
4. 終於到了某個年齡，和現在的男朋友結婚（迭代結束，記錄當前結果）

　　顯然，如果一個女生按照上面的方法找男朋友，最后一定會嫁一個好的（我們會得到心儀的分割結果）。只要這個模型在直觀上存在，該算法就一定有機會把它找到。優點是噪聲可以分布的任意廣，噪聲可以遠大於模型信息。

　　這個算法有兩個缺點，第一，必須先指定一個合適的容忍誤差e。第二，必須指定迭代次數作為收斂條件。

　　綜合以上特性，本算法非常適合從雜亂點雲中檢測某些具有特殊外形的物體。

PCL中基於RanSaC的點雲分割方法

　　PCL支持了大量幾何模型的RanSaC檢測，可以非常方便的對點雲進行分割。其調用方法如下：

　　

  //創建一個模型參數對象，用於記錄結果
  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
  //inliers表示誤差能容忍的點 記錄的是點雲的序號
  pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
  // 創建一個分割器
  pcl::SACSegmentation<pcl::PointXYZ> seg;
  // Optional
  seg.setOptimizeCoefficients (true);
  // Mandatory-設置目標幾何形狀
  seg.setModelType (pcl::SACMODEL_PLANE);
  //分割方法：隨機采樣法
  seg.setMethodType (pcl::SAC_RANSAC);
  //設置誤差容忍范圍
  seg.setDistanceThreshold (0.01);
  //輸入點雲
  seg.setInputCloud (cloud);
  //分割點雲
  seg.segment (*inliers, *coefficients);

　　除了平面以外，PCL幾乎支持所有的幾何形狀。作為點雲分割的基礎算法，RanSaC很強大且必收斂，可以作為機器人抓取，識別等后續任務的前處理。