PCL之点云分割算法概述

PCL中提供了点云分割的基础数据结构和部分通用算法,目前实现的算法主要是基于聚类分割思想和基于随机采样一致性的分割算法,以下对这两种方法的原理进行介绍:

1) 基于聚类分割算法

在聚类方法中每个点都与一个特征向量相关联, 特征向量又包含若干个几何或者辐射度量值.然后, 在特征空间中通过聚类的方法(如K-mean法,最大似然方法和模糊聚类法)分割点云数据.聚类分割的基本原理为:考察m个数据点,在m维空间内定义点与点之间某种性质的亲疏聚类,设m个数据点组成n类,然后将具有最小距离的两类合为一类, 并重新计算类与类之间的距离, 迭代直到任意两类之间的距离大于指定的阈值,或者类的个数小于指定的数目,完成分割.

2) 基于随机采样一致性(RANSAC)的分割算法

基于随机采样一致性算法的分割是通过随机采样剔除局外点,构建一个仅由局内点数据组成的基本子集的过程.其基本思想为:在进行参数估计时,不是不加区分地对待所有可能的输入数据,而是首先针对具体问题设计出一个判断准则模型,利用此判断准则迭代地剔除那些与所估计的参数不一致的输入数据,然后通过正确的输入数据来估计模型参数.基于随机采样一致性的点云分割的过程为:首先从输入的点云数据集中随机选择一些点并计算用户给定模型的参数,对数据集中的所有点设置距离阈值,如果点到模型的距离在距离阈值范围内,则将该点归为局内点,否则为局外点,然后统计所有局内点的个数,判断是否大于设定的阈值,如果是则用内点重新估计模型,作为模型输出,存储所有内点作为分割结果,如果不是,则与当前最大的局内点个数对比,如果大于则取代当前最大局内点个数,并存储当前的模型系数,然偶进行迭代计算,直到分割出用户满意的模型