PCl 区域增长算法

 一、区域增长算法(Region growing segmentation)

        在本教程中，我们将学习如何使用在 pcl：：RegionGrowing 类中实现的区域增长算法。所述算法的目的是合并在平滑度约束方面足够接近的点。因此，此算法的输出是一组聚类，其中每个聚类是一组被视为同一光滑表面一部分的点。该算法的工作基于点法线之间角度的比较。

二、理论入门

        让我们来看看算法是如何工作的。

        首先，它根据曲率值对点进行排序。它需要完成，因为该区域从具有最小曲率值的点开始增长。这样做的原因是曲率最小的点位于平坦区域（从最平坦区域增长可以减少分段总数）。所以我们有分类的云。直到云中没有未标记的点，算法选择具有最曲率值小的点并开始区域的增长。这个过程发生如下：拾取的点被添加到称为种子的集合中。对于每个种子点，该算法都会找到它的相邻点。测试每个邻居的法线与当前种子点法线之间的角度。如果角度小于阈值，则将当前点添加到当前区域。之后，测试每个邻居的曲率值。如果曲率小于阈值，则将此点添加到种子中。从种子中删除当前种子。如果种子集变为空，则意味着算法已增大该区域，并且从头开始重复该过程。您可以在下面找到所述算法的伪代码。

Inputs

Initialize:

Algorithm:

三、代码 

#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/filter_indices.h> // for pcl::removeNaNFromPointCloud
#include <pcl/segmentation/region_growing.h>

int
main ()
{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("../nono_filtered_inliers.pcd", *cloud) == -1)
 {
   std::cout << "Cloud reading failed." << std::endl;
  return (-1);
 }

 pcl::search::Search<pcl::PointXYZ>::Ptr tree (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::removeNaNFromPointCloud(*cloud, *indices);

 pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
 reg.setMinClusterSize (1000);
 reg.setMaxClusterSize (1000000);
 reg.setSearchMethod (tree);
 reg.setNumberOfNeighbours (30);
 reg.setInputCloud (cloud);
 reg.setIndices (indices);
 reg.setInputNormals (normals);
 reg.setSmoothnessThreshold (4.0 / 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." << std::endl;
 std::cout << "These are the indices of the points of the initial" <<
  std::endl << "cloud that belong to the first cluster:" << std::endl;
 std::size_t 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);
}

四、解释

  reg.setSmoothnessThreshold (4.0 / 180.0 * M_PI);
  reg.setCurvatureThreshold (1.0);

这两行是算法初始化中最重要的部分，因为它们负责上述平滑度约束。第一种方法设置弧度角度，该角度将用作法线偏差的允许范围。如果点法线之间的偏差小于平滑度阈值，则建议它们位于同一聚类中（新点 - 测试点 - 将添加到聚类中）。第二个负责曲率阈值。如果两个点的法线偏差很小，则测试它们曲率之间的差异。如果该值小于曲率阈值，则算法将使用新添加的点继续集群的增长。