基于区域生长的点云分割原理与实现(PCL)

1 基本思想
区域生长的基本思想是将具有相似性质的点集合起来构成区域。首先对每个需要分割的区域找出一个种子作为生长的起点,然后将种子周围邻域中与种子有相同或相似性质的点(根据事先确定的生长或相似准则来确定,多为法向量、曲率)归并到种子所在的区域中。而新的点继续做种子向四周生长,直到再没有满足条件的点可以包括进来,一个区域就生长而成了。

基于曲率的区域生长,其结果是一个或多个聚类集合,每个聚类集合被认为是同一光滑表面的一部分。首先依据点的曲率对点进行排序,初始种子点所在区域为最平滑的区域,这样可以减少分割区域的总数。pcl::RegionGrowing 类就是采用的这种方法。

2 算法流程
设置一个空的种子点序列和一个空的聚类数组,选择种子点(曲率最小的点)并将其加入到种子点序列中;
搜索当前种子点的邻域点,计算邻域点的法线与当前种子点的法线之间的夹角,小于平滑阈值的邻域点加入到当前区域;
检查每一个邻域点的曲率,小于曲率阈值的邻域点加入到种子点序列中,并删除当前种子点,以新的种子点继续生长。
重复进行以上生长过程,直到种子点序列被清空。此时,一个区域生长完成,并将其加入到聚类数组中;
对剩余点重复进行以上步骤,直到遍历完所有点。
伪代码:
基于区域生长的点云分割原理与实现(PCL)_第1张图片
3 代码实现
代码:

#include 
#include 
#include 
#include 
#include 
#include 

using namespace std;

int main()
{
	//------------------------------- 加载点云 -------------------------------
	cout << "->正在加载点云..." << endl;
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("road.pcd", *cloud) < 0)
	{
		PCL_ERROR("\\a点云文件不存在!\\n");
		system("pause");
		return (-1);
	}
	cout << "->加载点的个数:" << cloud->points.size() << endl;
	//========================================================================

	//------------------------------- 法线估计 -------------------------------
	cout << "->正在估计点云法线..." << endl;
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;									//创建法线估计对象ne
	pcl::search::Search<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);	//设置搜索方法
	pcl::PointCloud <pcl::Normal>::Ptr normals(new pcl::PointCloud <pcl::Normal>);			//存放法线
	ne.setSearchMethod(tree);
	ne.setInputCloud(cloud);
	ne.setKSearch(20);
	ne.compute(*normals);
	//========================================================================

	//------------------------------- 区域生长 -------------------------------
	cout << "->正在进行区域生长..." << endl;
	pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> rg;	//创建区域生长分割对象
	rg.setMinClusterSize(50);							//设置满足聚类的最小点数
	rg.setMaxClusterSize(99999999);						//设置满足聚类的最大点数
	rg.setSearchMethod(tree);							//设置搜索方法
	rg.setNumberOfNeighbours(30);						//设置邻域搜索的点数
	rg.setInputCloud(cloud);							//设置输入点云
	rg.setInputNormals(normals);						//设置输入点云的法向量
	rg.setSmoothnessThreshold(3.0 / 180.0 * M_PI);		//设置平滑阈值,弧度,用于提取同一区域的点
	rg.setCurvatureThreshold(1.0);						//设置曲率阈值,如果两个点的法线偏差很小,则测试其曲率之间的差异。如果该值小于曲率阈值,则该算法将使用新添加的点继续簇的增长
	vector<pcl::PointIndices> clusters;					//聚类索引向量
	rg.extract(clusters);								//获取聚类结果,并保存到索引向量中

	cout << "->聚类个数为" << clusters.size() << endl;
	//========================================================================

	//---------------------- 为聚类点云添加颜色,并可视化 ----------------------
	pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = rg.getColoredCloud();
	pcl::visualization::CloudViewer viewer("区域生长结果");
	viewer.showCloud(colored_cloud);
	while (!viewer.wasStopped())
	{
	}
	//========================================================================
	return (0);
}

输出结果:

->正在加载点云...
->加载点的个数:200293
->正在估计点云法线...
->正在进行区域生长...
->聚类个数为31

4 区域生长结果展示
基于区域生长的点云分割原理与实现(PCL)_第2张图片
参考文献:
https://it.cha138.com/nginx/show-207584.html

你可能感兴趣的:(三维视觉,算法)