pcl--基于区域增长的点云分割

最新推荐文章于 2024-07-12 14:51:54 发布

目标成为slam大神

最新推荐文章于 2024-07-12 14:51:54 发布

阅读量754

点赞数

分类专栏： pcl学习文章标签： pcl

本文链接：https://blog.csdn.net/m0_50046535/article/details/125509860

版权

这篇教程深入介绍了如何使用pcl库的区域增长算法进行点云分割。该算法根据点的法线角度和曲率值进行点的聚类，以识别同一表面的点集合。首先按曲率排序点，从最小曲率点开始，逐步扩展区域，直至所有点都被处理。源码示例展示了从加载点云到计算法线，再到应用区域增长算法和可视化最终分割结果的完整流程。

摘要由CSDN通过智能技术生成

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::