（3）上兩篇介紹了關於歐幾里德分割，條件分割，最小分割法等等還有之前就有用RANSAC法的分割方法，這一篇是關於區域生成的分割法，
區 域生長的基本 思想是： 將具有相似性的像素集合起來構成區域。首先對每個需要分割的區域找出一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子有相同或相似性質的像素 （根據事先確定的生長或相似准則來確定）合並到種子像素所在的區域中。而新的像素繼續作為種子向四周生長，直到再沒有滿足條件的像素可以包括進來，一個區 域就生長而成了。
區域生長算法直觀感覺上和歐幾里德算法相差不大，都是從一個點出發，最終占領整個被分割區域，歐幾里德算法是通過距離遠近，對於普通點雲的區域生長，其可由法線、曲率估計算法獲得其法線和曲率值。通過法線和曲率來判斷某點是否屬於該類。
算法的主要思想是：首先依據點的曲率值對點進行排序，之所以排序是因為，區域生長算法是從曲率最小的點開始生長的，這個點就是初始種子點，初始種子點所在的區域即為最平滑的區域，從最平滑的區域開始生長可減少分割片段的總數，提高效率，設置一空的種子點序列和空的聚類區域，選好初始種子后，將其加入到種子點序列中，並搜索鄰域點，對每一個鄰域點，比較鄰域點的法線與當前種子點的法線之間的夾角，小於平滑閥值的將當前點加入到當前區域，然后檢測每一個鄰域點的曲率值，小於曲率閥值的加入到種子點序列中，刪除當前的種子點，循環執行以上步驟，直到種子序列為空，
其算法可以總結為：
- 種子周圍的臨近點和種子點雲相比較
- 法線的方向是否足夠相近
- 曲率是否足夠小
- 如果滿足1，2則該點可用做種子點
- 如果只滿足1，則歸類而不做種
- 從某個種子出發，其“子種子”不再出現則一類聚集完成
- 類的規模既不能太大也不能太小
顯然，上述算法是針對小曲率變化面設計的。尤其適合對連續階梯平面進行分割：比如SLAM算法所獲得的建築走廊。
那么就看一下代碼的效果
#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/passthrough.h> #include <pcl/segmentation/region_growing.h> int main (int argc, char** argv) { //點雲的類型 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); //打開點雲 if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1) { std::cout << "Cloud reading failed." << std::endl; return (-1); } //設置搜索的方式或者說是結構 pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ> > (new pcl::search::KdTree<pcl::PointXYZ>); //求法線 pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>); pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator; normal_estimator.setSearchMethod (tree); normal_estimator.setInputCloud (cloud); normal_estimator.setKSearch (50); normal_estimator.compute (*normals); //直通濾波在Z軸的0到1米之間 pcl::IndicesPtr indices (new std::vector <int>); pcl::PassThrough<pcl::PointXYZ> pass; pass.setInputCloud (cloud); pass.setFilterFieldName ("z"); pass.setFilterLimits (0.0, 1.0); pass.filter (*indices); //聚類對象<點，法線> pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg; reg.setMinClusterSize (50); //最小的聚類的點數 reg.setMaxClusterSize (1000000); //最大的 reg.setSearchMethod (tree); //搜索方式 reg.setNumberOfNeighbours (30); //設置搜索的鄰域點的個數 reg.setInputCloud (cloud); //輸入點 //reg.setIndices (indices); reg.setInputNormals (normals); //輸入的法線 reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI); //設置平滑度 reg.setCurvatureThreshold (1.0); //設置曲率的閥值 std::vector <pcl::PointIndices> clusters; reg.extract (clusters); std::cout << "Number of clusters is equal to " << clusters.size () << std::endl; std::cout << "First cluster has " << clusters[0].indices.size () << " points." << endl; std::cout << "These are the indices of the points of the initial" << std::endl << "cloud that belong to the first cluster:" << std::endl; int 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; //可視化聚類的結果 pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud (); pcl::visualization::CloudViewer viewer ("Cluster viewer"); viewer.showCloud(colored_cloud); while (!viewer.wasStopped ()) { } return (0); }
看一下結果
原始點雲
區域生成后的點雲
（4）基於顏色的區域生長分割法
除了普通點雲之外，還有一種特殊的點雲，成為RGB點雲。顯而易見，這種點雲除了結構信息之外，還存在顏色信息。將物體通過顏色分類，是人類在辨認果實的 過程中進化出的能力，顏色信息可以很好的將復雜場景中的特殊物體分割出來。比如Xbox Kinect就可以輕松的捕捉顏色點雲。基於顏色的區域生長分割原理上和基於曲率，法線的分割方法是一致的。只不過比較目標換成了顏色，去掉了點雲規模上 限的限制。可以認為，同一個顏色且挨得近，是一類的可能性很大，不需要上限來限制。所以這種方式比較適合用於室內場景分割。尤其是復雜室內場景，顏色分割 可以輕松的將連續的場景點雲變成不同的物體。哪怕是高低不平的地面，沒法用采樣一致分割器抽掉，顏色分割算法同樣能完成分割任務。
算法分為兩步：
（1）分割，當前種子點和領域點之間色差小於色差閥值的視為一個聚類
（2）合並，聚類之間的色差小於色差閥值和並為一個聚類，且當前聚類中點的數量小於聚類點數量的與最近的聚類合並在一起
查看代碼
#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/visualization/cloud_viewer.h> #include <pcl/filters/passthrough.h> #include <pcl/segmentation/region_growing_rgb.h> int main (int argc, char** argv) { pcl::search::Search <pcl::PointXYZRGB>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZRGB> > (new pcl::search::KdTree<pcl::PointXYZRGB>); pcl::PointCloud <pcl::PointXYZRGB>::Ptr cloud (new pcl::PointCloud <pcl::PointXYZRGB>); if ( pcl::io::loadPCDFile <pcl::PointXYZRGB> ("region_growing_rgb_tutorial.pcd", *cloud) == -1 ) { std::cout << "Cloud reading failed." << std::endl; return (-1); } //存儲點雲的容器 pcl::IndicesPtr indices (new std::vector <int>); //濾波 pcl::PassThrough<pcl::PointXYZRGB> pass; pass.setInputCloud (cloud); pass.setFilterFieldName ("z"); pass.setFilterLimits (0.0, 1.0); pass.filter (*indices); //基於顏色的區域生成的對象 pcl::RegionGrowingRGB<pcl::PointXYZRGB> reg; reg.setInputCloud (cloud); reg.setIndices (indices); //點雲的索引 reg.setSearchMethod (tree); reg.setDistanceThreshold (10); //距離的閥值 reg.setPointColorThreshold (6); //點與點之間顏色容差 reg.setRegionColorThreshold (5); //區域之間容差 reg.setMinClusterSize (600); //設置聚類的大小 std::vector <pcl::PointIndices> clusters; reg.extract (clusters); pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud (); pcl::visualization::CloudViewer viewer ("Cluster viewer"); viewer.showCloud (colored_cloud); while (!viewer.wasStopped ()) { boost::this_thread::sleep (boost::posix_time::microseconds (100)); } return (0); }
恩 就這樣實際應用就是調參數，
-------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------
版權所有，轉載請注明出處