PCL 区域生长分割

已于 2022-01-19 21:50:39 修改
阅读量10w+ 收藏 50
点赞数 10
分类专栏： PCL学习 文章标签： 计算机视觉 c++ 算法 3d
于 2020-07-25 20:45:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36686437/article/details/107584523
版权

区域生长

一、算法原理

1、算法流程

  根据点的曲率值对点云进行排序，曲率最小的点叫做初始种子点，
（1）区域生长算法从曲率最小的种子点开始生长，初始种子点所在区域为最平滑区域，从初始种子点所在的区域开始生长可减小分割片段的总数，从而提高算法的效率。
（2）设置一空的聚类区域Ｃ和空的种子点序列Ｑ，聚类数组L。
（3）选好初始种子点，将其加入种子点序列Q中，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的平滑阈值时，将邻域点加入到Ｃ中，同时判断该领域点的曲率值是否小于曲率阈值，将小于曲率阈值的领域点加入种子点序列Ｑ中，在邻域点都判断完成后，删除当前种子点，在Ｑ中重新选择新的种子点重复上述步骤，直到Ｑ中序列为空，一个区域生长完成，将其加入聚类数组L中。
（4）利用曲率值从小到大排序，顺序选择输入点集 的点作为种子点加入到种子点序列中，重复以上生长的步骤。
在这里插入图片描述

区域生长算法流程图

了解本专栏 订阅专栏 解锁全文
点云侠
关注
  • 10
    点赞
  • 踩
  • 50
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 36
    评论
专栏目录
订阅专栏
图像处理算法—区域生长
呼啦啦地飞奔的博客
07-25 3899
在图像分割领域中，区域生长是一个很有用的算法，它往往可以从局部区域中逐渐分将图像分割成具有不同相似性的几部分。区域生长算法的关键部分在于种子点的选取和相似性准则的判定，这直接影响到图像分割效果，种子点可以通过人工方法（前景或背景）选取，也可以通过图像预处理算法自动获取。 实现区域生长算法过程如下（以灰度图为例，判定准则为相邻像素间灰度差）： 1.种子点获取。 2.种子点入栈，考虑种子点周围八
PCL点云库——区域增长分割
fei_12138的博客
11-28 3829
区域增长分割 　　区域生长算法是利用了法线、曲率和颜色等信息来判断点云是否应该聚成一类。适用于特征均匀的连通目标。通过设定的约束条件并结合分割数据的融合需求，利用场景中物体的特征将不同的目标物体从场景中分割出来。PCL中调用区域生长分割类pcl::RegionGrowing，实现区域生长分割算法，算法的目标是按照平滑一致性约束条件合并足够近的点，因此算法的输出是一组集群，且每个集群上的点位于同一个光滑表面。该算法是一种基于点的法线角度差的分割，通过比较种子点与其邻域点之间的法线夹角，将小于平滑阈值(人为设定
【PCL】教程 stick_segmentation点云的滤波、降采样、颜色阈值过滤、欧式聚类提取以及线段分割等过程...
最新发布
cxyhjl的博客
04-30 281
[done, 653.59 ms : 2073600 points] Available dimensions: x y z rgb源点云1189_kinect_v2_scene_1.pcd79.2252 ms Found 911 inliers.结果代码包含了许多 PCL (Point Cloud Library) 相关的文件和类的使用，涉及到点云的读取、处理和可视化。代码的核心部分定义了如何过...
基于区域增长的分割
04-15 1987
算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。 工作原理：首先需要明白，区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程： 1.点云中有...
图像分割-区域生长
weixin_62911023的博客
04-25 1万+
一、图像分割概述 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。 二、简单分类 传统分割方法 1、基于阈值的图像分割 2、基于区域的图像分割 3、基于边缘检测的图像分割 结合特定工具的图像分割算法 1、基于遗传算法的图像分割 2、基于主动轮廓模型的分割方法 3、基于深度学习的分割 三、基于区域...
PCL分割学习
qq_41345281的博客
11-23 1794
1.点云切割概述 点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。 2.PCL中常用的点云分割方法 Plane model segmentation (平面模型分割）:这个算法能...
PclSharp--基于区域生长的分割
swmyaopeng的博客
07-17 523
PclSharp--基于区域生长的分割
PCL学习笔记（二十四）-- PCL实现平面模型分割
不学会C++不改名
07-28 2016
一、简介 PCL中Segementation库提供了点云分割的基础数据结构和部分通用的分割算法，目前实现的算法主要是基于聚类分割思想和基于随机采样一致性的分割算法，这些算法适用于将由多个空间分布独立的区域组成的点云分割成格子独立的点云子集，或者提取出特定的模型的点云数据，以便后续处理。 二、代码分析 1）创建点云数据然后再屏幕上打印这些点的坐标值，为了达到本教程的目的，在数据中手动添加几个局外点，并设置它们的z值不为1，即不在z = 1所在的平面上的点作为局外点，在z = 1平面上的点...
pcl-1.8.1.zip
03-16
4. **Segmentation**：包括基于区域生长、聚类等方法的分割算法，用于将点云划分为不同的对象或区域。 5. **Feature Estimation**：提取点云的特征，如曲率、法线、颜色等，用于后续的识别和分类。 6. **Recognition...
PCL学习教程
12-11
例如，Region Growing（区域生长）算法通过连接相似点来创建区域；而EuclideanClusterExtraction（欧氏聚类）则根据点之间的欧氏距离进行聚类。 **4. 特征提取** 特征提取是PCL中的关键部分，用于识别点云中的显著...
基于PCL的欧式距离分割方法
11-21
基于PCL1.7.1 使用欧式距离并考虑法向量对点云数据进行分割
点云的欧式分割.zip
10-30
基于欧式距离的分割和基于区域生长的分割本质上都是用区分邻里关系远近来完成的。由于点云数据提供了更高维度的数据，故有很多信息可以提取获得。欧几里得算法使用邻居之间距离作为判定标准，而区域生长算法则利用了...
Segmentation_segmentation_pcl_
09-29
PCL库提供了丰富的工具和方法，如`pcl::SACSegmentation`用于基于RANSAC的分割，`pcl::RegionGrowing`用于区域生长分割，以及`pcl::GrabCut`等机器学习方法。 压缩包子文件“Segmentation”可能包含了执行以上步骤...
PCL 1.8.0 源码
05-06
5. **分割与识别**：PCL提供了点云分割的工具，如基于模型的分割（如pcl::SampleConsensusModel）和基于区域生长的方法，用于识别和分离点云中的不同对象。 6. **注册**：点云的注册是将两个或多个点云对齐的过程，...
PCL_点云分割_基于法线微分分割
zhan_zhan1的博客
03-09 2763
根据不同尺度下法向量特征的差异性，利用pcl::DifferenceOfNormalsEstimation实现点云分割，在处理有较大尺度变化的场景点云分割效果较好，利用不同支撑半径去估算同一点的两个单位法向量，单位法向量的差定义DoN特征。 DoN算法： DoN特征源于观察到基于所给半径估计的表面法向量可以反映曲面的内在几何特征，因此这种分割算法是基于法线估计的，需要计算点云中某一点的法线估计。...
图像处理经典算法： 区域生长（regiongrow）
bigtangyuan的博客
09-25 5483
一、感谢： 向博主GlassySky0816致谢，参考其编辑书写的区域生长算法的python实现进行学习。附原文链接。 链接: link. 二、程序理解 程序分析
区域生长法
热门推荐
danmeng8068的博客
06-16 1万+
  区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。  区域生长是指从某个像素出发，按照一定的准...
点云区域生长分割
taifyang的博客
04-11 2214
原理介绍： （1）首先计算出来各点的曲率值，将曲率值按照从小到大的顺序进行排序。 （2）设置一空的种子点序列和一个空的聚类数组。 （3）选取曲率最小的点放入上述种子点序列中。 （4）从序列中拿出来一个种子点搜索其邻域。 （5）搜索到邻域后，这些点先过法线夹角阈值，通过的保留到聚类数据，然后再从这些通过法线夹角阈值的点中，检查是否通过曲率阈值，通过的加入种子点序列。即比较邻域点的法线与当前种子点法线之间的夹角，如果小于阈值将该邻域点加入聚类数组。再从这些小于法线阈值的点中判断是否小于曲率阈值，如果小于则将该邻
图像分割 - 区域生长
Henry的博客
11-23 2378
分割的目的是将图像分为多个区域常用的分割方法基于两个属性：不同区域间的灰度不连续性质（Canny边缘检测等等）、相同区域灰度的相似特征（阈值处理、区域生长等等）区域生长就是基于同一区域的灰度相似特性展开的，通过预先设定的生长准则，将像素种子生长到更大区域的过程。基本的方法是，对于一组预设的点（这里称为种子），通过和其周围邻域灰度值比较，满足相同特性的（灰度值差异较小）像素点添加到新的种子，进而增长区域区域生长的步骤为：1. 先定义一组种子。
pcl使用区域生长算法分割
07-28
PCL（Point Cloud Library）是一个开源的点云处理库，提供了许多点云处理算法。其中，区域生长算法可以用于分割点云数据。 区域生长算法是一种基于相似性的分割方法，它通过比较相邻点之间的特征来确定它们是否属于同一区域。下面是使用PCL中的区域生长算法进行分割的基本步骤： 1. 创建一个空的点云对象，并将原始点云数据加载到其中。 ```cpp pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("input_cloud.pcd", *cloud); ``` 2. 创建一个区域生长对象，并设置相关参数。 ```cpp pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> rg; rg.setInputCloud(cloud); // 设置一些参数，例如相邻点之间的距离阈值、法向量角度阈值等 ``` 3. 执行区域生长算法，得到分割结果。 ```cpp pcl::PointCloud<pcl::PointXYZ>::Ptr segmented_cloud(new pcl::PointCloud<pcl::PointXYZ>); rg.extract(segmented_cloud); ``` 4. 可选：保存分割结果到文件。 ```cpp pcl::io::savePCDFile<pcl::PointXYZ>("segmented_cloud.pcd", *segmented_cloud); ``` 以上是使用PCL中的区域生长算法进行点云分割的基本步骤。你可以根据自己的需求调整参数，以获得满足要求的分割效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 36
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值