在本教程中,我们将学习如何使用pcl::RegionGrowing 类
实现的区域增长算法。算法的目的是合并在平滑度足够接近的点。因此,该算法的输出是一组簇,其中每个簇是一组点,这些点被认为是同一光滑表面的一部分。该算法的工作是基于点法线之间角度的比较。
理论:
首先,它按曲率值对点进行排序。之所以需要这样做,是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,具有最小曲率的点位于平坦的区域(从最平坦的区域开始增长可以减少区段的总数)。
所以我们得到了排序后的云。直到点云中没有未标记的点为止,该算法提取曲率值最小的点并开始区域增长。此过程如下所示:
拾取的点将添加到称为“种子”的集中
对于每个种子点,该算法都会找到其相邻点。
测试每个相邻点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,对每个相邻点进行曲率值测试。如果曲率小于阈值,则该点将添加到种子。
当前种子将从种子集中移除。
如果种子集变为空,这意味着算法已经扩大了区域,并且从一开始就重复该过程。
源码:
创建 region_growing_segmentation.cpp 文件
1#include <iostream>
2#include <vector>
3#include <pcl/point_types.h>
4#include <pcl/io/pcd_io.h>
5#include <pcl/search/search.h>
6#include <pcl/search/kdtree.h>
7#include <pcl/features/normal_3d.h>
8#include <pcl/visualization/cloud_viewer.h>
9#include <pcl/filters/filter_indices.h> // for pcl::removeNaNFromPointCloud
10#include <pcl/segmentation/region_growing.h>
11
12int
13main ()
14{
15 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
16 if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1)
17 {
18 std::cout << "Cloud reading failed." << std::endl;
19 return (-1);
20 }
21
22 pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::