欧氏聚类（API）及其单木分割

点云实验室lab

已于 2022-07-20 19:58:11 修改

阅读量1.8k

点赞数 4

分类专栏： Point Cloud Library (PCL) 文章标签：聚类算法

于 2022-07-20 17:38:11 首次发布

本文链接：https://blog.csdn.net/qq_32867925/article/details/125895413

版权

Point Cloud Library (PCL) 专栏收录该内容

48 篇文章 67 订阅

订阅专栏

1、原理讲解

三维空间欧氏距离聚类算法中，涉及到唯一距离参数d。当点之间距离小于距离d 时，表明两点局部相连，属于同一簇点集。其中点之间相连满足如下性质：若点A 与点B 相连，点B 与点C 相连，则点A 与点C 也相连。
下图展示了基于欧氏距离聚类的原理，当距离阈值设置合理时，使用空间欧氏距离聚类算法对点进行聚类，所有的点被划分成左右两簇点集，并且两簇点云中任意两点相连。即对于一簇点中任意点，总能从该簇点中找到离该点距离小于d的另外一点。对于左边点集中C点，右边点集中距离C点最近的D点，两点之间距离大于距离阈值，经过聚类后C点与D点归属于两簇不同的点集。
在这里插入图片描述

2、PCL中代码示例

PCL自带基于欧氏距离的聚类，其主要代码如下：

	std::vector<std::vector<pcl::PointXYZ>> result;

	IOLAS IOExample;

	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	cloud = IOExample.PointXYZ2Ptr(BeforeCluster);

	std::vector<pcl::PointIndices>cluster_indices;
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	tree->setInputCloud(cloud);

	pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
	ec.setMinClusterSize(nmin);
	ec.setClusterTolerance(disthres);
	//ec.setMaxClusterSize(nmax);
	ec.setSearchMethod(tree);
	ec.setInputCloud(cloud);
	ec.extract(cluster_indices);
	for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin(); it != cluster_indices.end(); ++it)
	{
		vector<pcl::PointXYZ> onecluster;
		pcl::PointXYZ onepoint;
		for (std::vector<int>::const_iterator pit = it->indices.begin(); pit != it->indices.end(); ++pit)
		{
			onecluster.push_back((*cloud)[*pit]);
		}
		result.push_back(onecluster);
	}