PCL—最小割点云分割算法详解

参考：https://www.cnblogs.com/ironstark/p/5008258.html

1. 点云分割的精度

• 在之前的两篇博客里介绍了 RANSAC 点云分割算法和基于邻近信息的点云分割算法。基于 RANSAC 的点云分割算法显然是意识流的，它只能割出大概的点云（可能是杯子的一部分，但杯把儿肯定没分割出来）。基于欧式距离的点云分割算法面对有牵连的点云就无力了（比如风筝和人，在不用三维形态学去掉中间的线之前，是无法分割风筝和人的）。基于法线等信息的区域生长算法则对平面更有效，没法靠它来分割桌上的碗和杯子。也就是说，上述算法更关注能不能分割，除此之外，我们还需要一个方法来解决分割的“好不好”这个问题。也就是说，有没有哪种方法，可以在一个点不多，一个点不少的情况下，把目标和“其他”分开。
  　　答案是有，也就是这篇博文要介绍的最小割算法。

2. 最小割算法

• 最小割(min-cut)并不是一个什么很新鲜的东西。它早就用在网络规划、求解桥问题、图像分割等领域，被移植到点云分割上也不足为奇。最小割算法是图论中的一个概念，其作用是以某种方式，将两个点分开，当然这两个点中间可能是通过无数的点再相连的。如下图所示：
  
• 如果要分开最左边的点和最右边的点，红绿两种割法都是可行的，但是红线跨过了三条线，绿线只跨过了两条。单从跨线数量上来论可以得出绿线这种切割方法更优的结论。但假设线上有不同的权值，那么最优切割则和权值有关了。它到底是怎么找到那条绿线的暂且不论。总而言之，就是有那么一个算法，当你给出了点之间的 “图” （广义的），以及连线的权值时，最小割算法就能按照你的要求把图分开。

3. 点云 “图”

• 显而易见，切割有两个非常重要的因素，第一个是获得点与点之间的拓扑关系，也就是生成一张“图”。第二个是给图中的连线赋予合适的权值。只要这两个要素合适，最小割算法就会办好剩下的事情。点云是一种非常适合分割的对象，点云有天然分开的点。有了点之后，只要把点云中所有的点连起来就可以了。连接算法如下：
  　　1.找到每个点最近的n个点；
  　　2. 将这n个点和父点连接；
  　　3. 找到距离最小的两个块（A块中某点与B块中某点距离最小），并连接；
  　　4. 重复3，直至只剩一个块。
• 现在已经有了“图”，只要给图附上合适的权值，就完成了所有任务。物体分割给人一个直观印象就是属于该物体的点，应该相互之间不会太远。也就是说，可以用点与点之间的欧式距离来构造权值。所有线的权值可映射为线长的函数：
  
• 貌似我们现在已经搞定一切了，其实不然。分割总是有一个目标的，而这种精准打击的算法，显然你要告诉我打击对象是谁，打击范围多大——目标需要人为指定(center)，尺寸需要提前给出(radius)。
• OK，我们现在有了打击对象（指定了目标物体上的一个点），接下来要做的，就是让除此对象之外的物体被保护起来，不受到打击。保护的方法就是人为加重目标范围之外的权值（罚函数）：
  
• 上述过程其实看起来还不够智能，如果有办法让我只需要点一下鼠标，选中要分割的物体，接下来电脑替我操心其他事情，那就太好了。这其实是可以实现的，称为 AutoMatic Regime，但PCL并没有封装这个算法，这里忽略不讲。

4. PCL对最小割算法的实现

//生成分割器
pcl::MinCutSegmentation<pcl::PointXYZ> seg;
//分割输入分割目标
seg.setInputCloud(cloud);
//指定打击目标（目标点）
pcl::PointCloud<pcl::PointXYZ>::Ptr foreground_points(new pcl::PointCloud<pcl::PointXYZ> ());
pcl::PointXYZ point;
point.x = 68.97;
point.y = -18.55;
point.z = 0.57;
foreground_points->points.push_back(point);
seg.setForegroundPoints(foreground_points);
//指定权函数sigma
seg.setSigma(0.25);
//物体大概范围
seg.setRadius(3.0433856);
//用多少生成图
seg.setNumberOfNeighbours(14);
//和目标点相连点的权值(至少有14个）
seg.setSourceWeight(0.8);
//分割结果
std::vector <pcl::PointIndices> clusters;
seg.extract(clusters);

算法效果如下图所示：

　　可以看出，最小割算法成功找到了靠的很近的汽车。显然欧式算法r取太大则无法区分左右汽车，r取太小则无法区分车头和车身（玻璃不反光，是没有点云的）。

• 显然，最小割算法更注重分割的精确性而不是分割自动进行。最小割算法用于半自动分割识别有着巨大的优势，适合用于计算机视觉、城市场景点云分析一类。但对机器人来说，或许和特征点检测算法联合起来能获得较好的效果。