PCL 基于超体素的点云分割

一、算法原理

1、概述

  人类视觉感知到的图像信息并不是从某一个孤立的像素点得到的，而是从由大量像素点组合而成的区域得到的，孤立的单一像素点并没有具体的实际意义， 只有许多像素点组合在一起才对人类的视觉感知有意义。可见，像素并不是视觉感知的着重点。在这种需求下，二维图像处理领域产生了“ 超像素” 的概念。所谓超像素，是由许多像素点构成的小区域，这些像素点在位置上是相邻的，并且在某些特征（图像的亮度、颜色、纹理等特征）存在一定的相似性，这些小区域大都没有破坏图像的边界信息，而且还保留了对图像进行进一步分割的有效信息。
  现在超像素越来越被广泛地应用于计算机视觉领域中，并且作为图像分割和模式识别的初始阶段，最根本的原因是： 一方面使用超像素后可以有效地减少图像局部信息的冗余，使图像处理的复杂度和运算量大大降低；另一方面基于像素级的传统的图像处理方法，也不能准确的定位目标区域的边界，只能给出一个大概的位置。在三维点云数据处理领域，借鉴类似于超像素的概念，在三维空间引出超体素的概念。在本节中， 我们将学习如何利用pcl :: SupervoxelClustering 把点云分割成一定数址的超体素聚类，并学习如何使用和可视化邻接图信息与超体素本身。

生成的超