PCL—超体聚类点云分割算法详解

参考:https://www.cnblogs.com/ironstark/p/5013968.html

1. 超体聚类——一种来自图像的分割方法

  • 超体(super voxel)是一种集合,集合的元素是“体”。与体素滤波器中的体类似,其本质是一个个的小方块。与之前提到的所有分割手段不同,超体聚类的目的并不是分割出某种特定物体,其对点云实施过分割(over segmentation),将场景点云化成很多小块,并研究每个小块之间的关系。这种将更小单元合并的分割思路已经出现了有些年份了,在图像分割中,像素聚类形成超像素,以超像素关系来理解图像已经广为研究。本质上这种方法是对局部的一种总结,纹理、材质、颜色类似的部分会被自动的分割成一块,有利于后续识别工作。比如对人的识别,如果能将头发、面部、四肢,躯干分开,则能更好的对各种姿态、性别的人进行识别。
  • 点云和图像不一样,其不存在像素邻接关系。所以,超体聚类之前,必须以八叉树对点云进行划分,获得不同点团之间的邻接关系。与图像相似,点云的邻接关系也有很多,如面邻接、线邻接、点邻接。其具体解释如下图:
    PCL—超体聚类点云分割算法详解_第1张图片
  • 基于超体聚类的点云分割,使用点邻接(蓝色)作为相邻判据。

2. 超体聚类的实现步骤

  • 举个简单的例子来体会下超体聚类,其过程和结晶类似。但不是水结晶成冰,而是盐溶液过饱和状态下的多晶核结晶。所有的晶核(seed)同时开始生长,最终填满整个空间,使物质具有晶体结构。
  • 超体聚类实际上是一种特殊的区域生长算法,和无限制的生长不同,超体聚类首先需要规律的布置区域生长“晶核”。晶核在空间中实际上是均匀分布的,并指定晶核距离(Rseed),再指定粒子距离(Rvoxel),再指定最小晶粒(MOV),过小的晶粒需要融入最近的大晶粒。关系如图所示:
    PCL—超体聚类点云分割算法详解_第2张图片
  • 有了晶粒和结晶范围之后,我们只需要控制结晶过程,就能将整个空间划分开了。结晶过程的本质就是不断吸纳类似的粒子(八分空间)。类似是一个比较模糊的概念,关于类似的定义有以下公式:
    PCL—超体聚类点云分割算法详解_第3张图片
    公式中的Dc表示颜色上的差异,Dn表示法线上的差异,Ds代表点距离上的差异。w_*表示一系列权重,用于控制结晶形状。在晶核周围寻找一圈,D最小的体素被认为是下一个“被发展的党员”。需要注意的是,结晶过程并不是长完一个晶核再长下一个,而是所有的晶核同时开始生长(虽然计算机计算时必然有先后,但从层次上来说是同时的),其生长顺序如下图所示:
    PCL—超体聚类点云分割算法详解_第4张图片
  • 接下来所有晶核继续公平竞争,发展第二个“党员”,以此循环。最终所有晶体应该几乎同时完成生长,整个点云也被晶格所分割开来,并且保证了一个晶包里的粒子都是类似的。

3. PCL对超体聚类的实现

//设定结晶参数
float voxel_resolution = 0.008f;
float seed_resolution = 0.1f;
float color_importance = 0.2f;
float spatial_importance = 0.4f;
float normal_importance = 1.0f;

//生成结晶器
pcl::SupervoxelClustering<PointT> super(voxel_resolution, seed_resolution);
//和点云形式有关
if(disable_transform)
	super.setUseSingleCameraTransform(false);
//输入点云及结晶参数
super.setInputCloud(cloud);
super.setColorImportance(color_importance);
super.setSpatialImportance(spatial_importance);
super.setNormalImportance(normal_importance);
//输出结晶分割结果:结果是一个映射表
std::map <uint32_t, pcl::Supervoxel<PointT>::Ptr > supervoxel_clusters;
super.extract(supervoxel_clusters);  //获得晶体中心  
PointCloudT::Ptr voxel_centroid_cloud = super.getVoxelCentroidCloud();  //获得晶体
PointLCloudT::Ptr labeled_voxel_cloud = super.getLabeledVoxelCloud();

执行上述过程后,会将晶体映射成一系列数,数代表的是指向各个晶体的指针,可以通过getter函数,把晶体有关的信息拖出来,拖出来的是点云。

//将相连的晶体中心连起来并显示 
std::multimap<uint32_t, uint32_t> supervoxel_adjacency;
super.getSupervoxelAdjacency(supervoxel_adjacency);  std::multimap<uint32_t,uint32_t>::iterator label_itr = supervoxel_adjacency.begin();
for ( ; label_itr != supervoxel_adjacency.end(); )
{
  //First get the label
  uint32_t supervoxel_label = label_itr->first;
  //Now get the supervoxel corresponding to the label
  pcl::Supervoxel<PointT>::Ptr supervoxel = supervoxel_clusters.at(supervoxel_label);

  //Now we need to iterate through the adjacent supervoxels and make a point cloud of them
  PointCloudT adjacent_supervoxel_centers;
  std::multimap<uint32_t,uint32_t>::iterator adjacent_itr = supervoxel_adjacency.equal_range(supervoxel_label).first;
  for ( ; adjacent_itr!=supervoxel_adjacency.equal_range(supervoxel_label).second; ++adjacent_itr)
  {
    pcl::Supervoxel<PointT>::Ptr neighbor_supervoxel = supervoxel_clusters.at(adjacent_itr->second);
    adjacent_supervoxel_centers.push_back(neighbor_supervoxel->centroid_);
  }
  //Now we make a name for this polygon
  std::stringstream ss;
  ss << "supervoxel_" << supervoxel_label;
  //This function is shown below, but is beyond the scope of this tutorial - basically it just generates a "star" polygon mesh from the points given
  addSupervoxelConnectionsToViewer(supervoxel->centroid_, adjacent_supervoxel_centers, ss.str(), viewer);
  //Move iterator forward to next label
  label_itr = supervoxel_adjacency.upper_bound(supervoxel_label);
}

至此,生成了不同的晶体之间的邻接关系。结果如下所示(不同晶核距离0.1m,0.05m):

此方法主要为识别做前期准备,但我认为,这种东西用在三维视觉+有限元倒是极好的,可以在不使用应变片的前提下对物体各个部分应变进行直接测量。在已知力的情况下可以建立物体刚度和应变的关系,貌似钢包回转台的受力分析可以这样解决。但是实际工业机械哪有那么多花花绿绿的给你分割,很难形成有效的对应点匹配。

你可能感兴趣的:(PCL—超体聚类点云分割算法详解)