PCL学习笔记，区域生长分割(region growing segmentation)

快来打我* 2022-09-08 14:54 300阅读 0赞

在本博文中，我主要介绍如何在pcl::RegionGrowing类中调用区域增长算法。首先注意一点，这里是region growing segmentation，不是color-based region growing segmentation.

算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。

工作原理：首先需要明白，区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程：

1.点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集；

2.对于每个种子点，算法都会发现周边的所有近邻点。1）计算每个近邻点与当前种子点的法线角度差(reg.setSmoothnessThreshold)，如果差值小于设置的阈值，则该近邻点被重点考虑，进行第二步测试；2）该近邻点通过了法线角度差检验，如果它的曲率小于我们设定的阈值(reg.setCurvatureThreshold)，这个点就被添加到种子点集，即属于当前平面。

3.通过两次检验的点，被从原始点云去除。

4.设置最小点簇的点数min（reg.setMinClusterSize），最大点簇为max（reg.setMaxClusterSize）。

4.重复1-3步，算法会生成点数在min和max的所有平面，并对不同平面标记不同颜色加以区分。

5.直到算法在剩余点中生成的点簇不能满足min，算法停止工作。

算法具体的伪码表示：http://pointclouds.org/documentation/tutorials/region\_growing\_segmentation.php\#region-growing-segmentation

实现算法的工程文件中的代码，.cpp:

\#include <iostream>  
\#include <vector>  
\#include <pcl/point\_types.h>  
\#include <pcl/io/pcd\_io.h>  
\#include <pcl/search/search.h>  
\#include <pcl/search/kdtree.h>  
\#include <pcl/features/normal\_3d.h>  
\#include <pcl/visualization/cloud\_viewer.h>  
\#include <pcl/filters/passthrough.h>  
\#include <pcl/segmentation/region\_growing.h>

int  
main (int argc, char\*\* argv)  
\{  
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);  
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region\_growing\_tutorial.pcd", \*cloud) == -1)  
  \{  
    std::cout << "Cloud reading failed." << std::endl;  
    return (-1);  
  \}

pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared\_ptr<pcl::search::Search<pcl::PointXYZ> > (new pcl::search::KdTree<pcl::PointXYZ>);  
  pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);  
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal\_estimator;  
  normal\_estimator.setSearchMethod (tree);  
  normal\_estimator.setInputCloud (cloud);  
  normal\_estimator.setKSearch (50);  
  normal\_estimator.compute (\*normals);

pcl::IndicesPtr indices (new std::vector <int>);  
  pcl::PassThrough<pcl::PointXYZ> pass;  
  pass.setInputCloud (cloud);  
  pass.setFilterFieldName ("z");  
  pass.setFilterLimits (0.0, 1.0);  
  pass.filter (\*indices);

pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;  
  reg.setMinClusterSize (50);  
  reg.setMaxClusterSize (1000000);  
  reg.setSearchMethod (tree);  
  reg.setNumberOfNeighbours (30);  
  reg.setInputCloud (cloud);  
  //reg.setIndices (indices);  
  reg.setInputNormals (normals);  
  reg.setSmoothnessThreshold (3.0 / 180.0 \* M\_PI);  
  reg.setCurvatureThreshold (1.0);

std::vector <pcl::PointIndices> clusters;  
  reg.extract (clusters);

std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;  
  std::cout << "First cluster has " << clusters\[0\].indices.size () << " points." << endl;  
  std::cout << "These are the indices of the points of the initial" <<  
    std::endl << "cloud that belong to the first cluster:" << std::endl;  
  int counter = 0;  
  while (counter < clusters\[0\].indices.size ())  
  \{  
    std::cout << clusters\[0\].indices\[counter\] << ", ";  
    counter++;  
    if (counter % 10 == 0)  
      std::cout << std::endl;  
  \}  
  std::cout << std::endl;

pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored\_cloud = reg.getColoredCloud ();  
  pcl::visualization::CloudViewer viewer ("Cluster viewer");  
  viewer.showCloud(colored\_cloud);  
  while (!viewer.wasStopped ())  
  \{  
  \}

return (0);  
\}  
注释：

1.文件输入、输出最好使用绝对路径；

2.代码中涉及到的参数：

setKSearch()： 这是在计算点的法线时，设置邻域内需要多少点来模拟平面计算法线。法线计算：http://geometryhub.net/notes/pointcloudnormal

setMInClusterSize()   setMaxClusterSize() 原理中已经提到

setNumberOfneighbours() 指的是区域增长时种子点附近纳入检验的点数

setSmoothnessThreshold()  setCurvatureThreshold()   原理中已经提到。这两个阈值的设置尤其重要，它们是region growing segmentation的核心。

3.注意，输入点点类型为 pcl::PointCloud<pcl::PointXYZ>，输出点为pcl::PointXYZRGB，因为分割完之后不同平面信息被 不同颜色标记，而被抛弃的点被红色标记。如下图所示。点类型根据读者输入的点云数据包含的列信息而定，在此不在详细解释。

4.cmake文件参照如下：

cmake\_minimum\_required(VERSION 2.8 FATAL\_ERROR)

project(region\_growing\_segmentation)

find\_package(PCL 1.5 REQUIRED)

include\_directories($\{PCL\_INCLUDE\_DIRS\})  
link\_directories($\{PCL\_LIBRARY\_DIRS\})  
add\_definitions($\{PCL\_DEFINITIONS\})

add\_executable (region\_growing\_segmentation region\_growing\_segmentation.cpp)  
target\_link\_libraries (region\_growing\_segmentation $\{PCL\_LIBRARIES\})

最后，区域增长算法已经是比较老的平面分割算法。希望大家能提出更好的算法。  
————————————————  
版权声明：本文为CSDN博主「爱水人家」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/aishuirenjia/article/details/80239562