基于传统方法点云分割以及PCL中分割模块

之前在微信公众号中更新了以下几个章节
1，如何学习PCL以及一些基础的知识
2，PCL中IO口以及common模块的介绍
3，PCL中常用的两种数据结构KDtree以及Octree树的介绍
前言
三维点云分割是将同属性的点云物体分割出来，以便于单独对该点云物体处理，但是由于点云数据是一种高冗余度，且不均匀的数据结构，所以点云分割具有一定挑战性，

点云库于（PCL）2011年推出以来，得到行业广泛的应用，该库包含了最先进的3D感知算法，并包含了LIDAR和三维扫描仪的接口，这使得点云库PCL在机器人领域持续不断的发展壮大起来。至今为止已经更新到了1.9.1版本。在图像分割中常常用到前景与背景的分割处理，而在点云处理中，对于给定点云数据，分割的目标是将具有相似特征的点聚类成均匀区域，根据分割结果应用于各个方面的场景分析，一般的方法时根据输入点云的网格构建图形，使用边界线的法线，平滑度或者是凹凸性等信息进行聚类分割，在文章【1】中调查了分割的方法有：凹凸性分割，分水岭分析，层次聚类，区域增长以及频谱聚类。这些方法不仅是应用图像，也广泛的应用于点云数据的分割。

在计算机视觉中，2D图像的分割是一个很经典的问题，并且已经有着十几年的研究历史，其中基于传统的方法比较流行有Graph Cuts[2],包含了Normalized Cuts和Min Cuts 这些方法的思想同样适应于3D点云的分割，并且这部分内容在PCL中都已经开源。

点云分割算法应该具有以下三种重要的属性：
（1）比如树木是具有与汽车相区别的特征的，当点云数据的特征数量增加时，分割算法应该具有一定的鲁棒性，能够学习如何自动的区分它们。
（2）其次分割应该能够根据其相邻的信息推断出稀疏点云中这些点的属性或者判定出属于哪个标签。
（3）分割算法应该能适用于不同的扫描器，即便是相同的场景在不同的扫描仪生成出的点云也是具有不同的属性的，并且产生点云的质量以及稀疏性的也是不一样的。

点云分割的挑战：
点云数据虽然可以确定3D对象的形状，大小和一些其他属性，但是3D点云通常由于传感器的限制，数据