基于PCL的点云平面分割

1、RANSAC算法

提取点云中的平面常用的算法是RANSAC，即Random Sample Consensus随机采样一致算法，简单来说，它就是从一堆数据中挑选出子集最心仪的数据，比如挑选一条直线等。看网上博客，有一个解释挺有趣的说法。
RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。
局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。
RANSAC也做了以下假设：给定一组（通常很小的）局内点，存在一个可以估计模型参数的过程；而该模型能够解释或者适用于局内点。
具体可以参考RANSAC
根据我的理解，RANSAC 算法主要就是：

1. 迭代
2. 从一组包含据外点的观测数据中估算出已知数学模型的参数。
   它的输入是一组观察的数据，输出是模型的参数。比如本次分割出平面，平面参数方程为ax+by+cz+d=0，故得出的是平面参数。

2、PCL中RANSAC算法

PCL中的RANSAC在模块pcl::segmentation中，具体代码如下所示。

	//创建提取平面的分割对象
	pcl::SACSegmentation <pcl::PointXYZ> seg;
	seg.setOptimizeCoefficients(true);    //设置模型系数需要优化
	seg.setModelType(pcl::SACMODEL_PLANE);     //设置为平面模型
	seg.setMethodType(pcl::SAC_RANSAC);       //设置采用RANSAC算法进行分割
	seg.setDistanceThreshold(0.01);           //设置距离阈值为0.01m
	seg.setMaxIterations (1000);

分割函数返回的是分割平面的索引和模型参数，需要通过ExtractIndices从点云中提取出子集。

	while(cloud_filtered_removaled->points.size() > 0.3*nr_points)
	{
   
		
		seg.setInputCloud(cloud_filtered_removaled);
		seg.segment(*inliers,*coefficients);      //保存分割后点云的索引和模型参数
		
		pcl::ExtractIndices<pcl::PointXYZ> extract;
		extract.setInputCloud(cloud_filtered_removaled);
		extract.setIndices(inliers);
		extract.setNegative (false);
		extract