PCL 使用LCCP算法进行点云分割【2025最新版】

已于 2025-01-01 11:08:11 修改
阅读量3.4k 收藏 6
点赞数 1
分类专栏： PCL学习 文章标签： 算法 聚类 数据挖掘 计算机视觉 3d c++
于 2023-06-24 05:24:49 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/131301666
版权
本文介绍了PCL库中基于LCCP（Locally Convex Connected Patches）算法进行点云分割的方法。首先概述了算法原理，包括超体聚类和基于凹凸关系的点云再聚类。接着，详细解释了Extended Convexity Criterion（CC）和Sanity criterion（SC）两种判据，用于确定点云的凹凸性。在标记了凹凸关系后，通过区域增长算法聚类成物体。最后，提供了代码实现、结果展示及相关链接及测试数据。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LCCP分割

在这里插入图片描述

博客长期更新，本文最近更新时间为：2025年1月1日。

一、算法原理

1、概述

  LCCP是Locally Convex Connected Patches的缩写，算法大致可以分成两个部分：

  1. 基于超体聚类的过分割。
  2. 在超体聚类的基础上再聚类。

关于超体聚类相关内容见：PCL 基于超体素的点云分割

  点云完成超体聚类之后，对于过分割的点云需要计算不同的块之间凹凸关系。凹凸关系通过**CC（Extended Convexity Criterion）**和 SC（Sanity criterion）判据来进行判断。其中CC利用相邻两片中心连线向量与法向量夹角来判断两片是凹是凸。

了解本专栏 订阅专栏 解锁全文
PCL 使用CPC算法进行点云分割【2025最新版】
点云侠的博客
07-01 2749
CPC方法是Constrained Planar Cuts缩写，与LCCP方法不同，此方法能够将物体分成有意义的块：比如人的肢体等。CPC方法可作为AI的前处理并且不需要额外训练，自底向上地将点云分割成有明确意义部分。博客长期更新，本文最近更新时间为：2025年1月1日。
PCL 中使用 LCCP 算法进行点云分割
BsCplusplus的博客
09-18 446
点云分割是计算机视觉和机器人领域中重要的任务之一，它的目标是将点云数据集划分成具有语义上一致性的部分。PCL（点云库）是一个流行的开源库，提供了丰富的点云处理算法和工具。总结起来，PCL 中的 LCCP 算法提供了一种强大的点云分割工具，通过评估点云中的凸性和连接性来识别具有相似语义的局部连通点集。使用上述示例代码，你可以轻松地在你的项目中应用 LCCP 算法进行点云分割。LCCP 算法是一种基于局部凸性的点云分割方法。它通过评估点云中的凸性和连接性来识别局部连通的点集，并将它们归类为具有相似语义的片段。
【PCL-6】PCL基于凹凸型的分割算法（LCCP）
WXG1011的博客
08-08 1644
PCL凹凸型分割算法
pcl 点云分割
生活如此美好，致敬每一个热爱“热爱”的人！
10-09 2369
点云分割point cloud segmentation： 根据空间，几何和纹理等特征点进行划分，是同一划分内的点云拥有相似的特征。点云分割的目的是分块，从而便于单独处理。将一些平面、曲面等等进行分割。 点云分类point cloud classification： 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集，同一个点云集具有相似或相同的属性，例如地面，树木，人等。 也叫做点云语义分割。 点云分割只是物体识别与分类的其中一个步骤，原始点云可以通过经典的分割方法来进行分割，也
PCL 点云分割
u011489887的专栏
03-15 698
pcl 点云分割
PCL_使用LCCP进行点云分割
热门推荐
wi162yyxq的博客
05-31 1万+
上一篇讲了超体聚类，也就是把点云按照颜色和空间位置进行有意义的分割，将其分割成小块，分割之后看起来还是很乱，但是基于聚类之后的结果2014年CVPR上有人基于这个聚类结果提出了利用凹凸性进行物体分割的方法，这个方法好的一点是不想我之前提到过的一个点云分割的框架需要进行训练，用SVM分类然后再利用模型进行分割，这个算法可以进行直接分割，且分割效果也很不错。        具体原理可以参考http:
PCL—点云数据分割
wfengzi5的博客
07-31 1050
本实验用于将一个小车点云数据中的轮胎分离出来
PCL-LCCP 点云分割
weixin_43367756的博客
07-20 1440
LCCP主要核心在CC（Extended Convexity Criterion） 和 SC （Sanity criterion）判据来进行判凹凸性，CC判据就是判别两个超体素的向量A和B与各自法向量之间的夹角，根据两个夹角对比进行判别；SC判据就是判别阈值与俩体素的夹角（这个夹角是通过求俩体素法向量的叉乘与中心连线d的夹角计算得来的）。.........
PCL 使用LCCP算法进行点云分割
m0_51204289的博客
11-19 73
LCCP是Locally Convex Connected Patches的缩写，算法大致可以分成两个部分： 1. 基于超体聚类的过分割。 2. 在超体聚类的基础上再聚类。
【2025最新版】PCL点云处理算法汇总（C++长期更新版）
最新发布
点云侠的博客
01-18 60万+
PCL学习目录。博客长期更新，最近一次更新时间为：2025年4月22日。
点云切片；点云平面切割
11-23
主要用于三维点云的平板分割, 每次只能分割出一个平面。 (It is mainly used for 3D point cloud segmentation.Only one plane can be segmented at a time.)
PCL CPC点云分割算法
dayuhaitang1的博客
08-26 428
PCL CPC点云分割算法
《PCL》PCL点云分割
sinat_38792591的博客
08-14 411
#include <pcl/io/pcd_io.h> ///pcl文件的IO #include <pcl/point_types.h> ///pcl文件中PointT #include <pcl/sample_consensus/method_types.h> ///随机采样一致性 随机参数方法头文件 #include <pcl/sample_c...
【PCL】PCL点云分割（一）
shanhedian2013的博客
10-14 641
点云分割是根据点云的空间、几何和纹理等特征将点云划分为不同的部分，使得同一部分内的点云具有相似的特征。点云分割又分为区域提取、线面提取、语义分割与聚类等。点云分割在许多应用中都是非常重要的，例如逆向工程、CAD建模、目标检测等。平面模型分割：这是PCL中最常用的点云分割方法之一。它通过识别点云中的平面模型，将点云分割为不同的平面区域。圆柱模型分割：这种方法用于识别点云中的圆柱体模型，并将点云分割为不同的圆柱体区域。欧几里得聚类分割。
PCL—点云分割（基于凹凸性） 低层次点云处理
weixin_30819163的博客
02-26 843
博客转载自：http://www.cnblogs.com/ironstark/p/5027269.html 1.图像分割的两条思路 　　场景分割时机器视觉中的重要任务，尤其对家庭机器人而言，优秀的场景分割算法是实现复杂功能的基础。但是大家搞了几十年也还没搞定——不是我说的，是接下来要介绍的这篇论文说的。图像分割的搞法大概有两种：剑宗——自低向上：先将图像聚类成小的像素团再慢慢合并，气宗——自顶...
三维重构（9）：PCL点云分割
TiffanyXYf的博客
02-25 2199
点云分割是根据空间、几何和纹理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。PCL实现的分割算法是鲁棒性比较好的聚类分割 和基于随机采样一致性的分割。 聚类分割 点云库PCL学习教程：在聚类方法中每个点都与一个特征向量相关联，特征向量又包含了若干个几何或者辐射度量值。然后在特征空间中通过聚类的方法（如K-means，最大似然或模糊聚类）分割点云数据。聚类分割基本原理：考察mmm个数据点，...
PCL 点云分割 基于LCCP算法的分割
纵马踏花向自由
11-12 250
本篇博客介绍如何使用PCL库中的LCCP（Locally Convex Connected Patches）算法对点云数据进行分割。LCCP算法是一种基于超体素（Supervoxel）的分割方法，它通过检测点云中局部区域的凹凸特征，将点云分割成多个语义上相连的区域。本文将从超体素分割的原理与实现开始，逐步讲解LCCP分割的流程，并提供完整的代码实现。
PCL：实现使用LCCP进行点云分割（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
10-14 251
PCL：实现使用LCCP进行点云分割（附完整源码）
写一个LCCP点云分割的matlab程序
12-28
LCCP (Least Common Contour Plane) 点云分割是一种基于三维几何特征的点云处理技术，它通过找到最小共面平面来分离不同物体。在MATLAB中编写这样的程序需要一些基础的计算机视觉和数值优化知识。以下是一个简单的步骤和伪代码概述： ```matlab % 加载点云数据 pc = loadPCDFile('your_point_cloud.pcd'); % 定义辅助函数计算点到平面的距离 distanceToPlane = @(planeNormal, planeDistance, point) dot(planeNormal, point) - planeDistance; % 初始化变量 minDistance = Inf; % 最小距离初始化为无穷大 bestNormal = zeros(3,1); % 平面法向量 % 遍历所有可能的平面组合（这里假设每个维度） for i = 1:size(pc,2) for j = 1:i-1 % 计算当前平面（x、y或z轴的方向） planeNormal = [1;0;0]; % 这里假设我们从第一个维度开始 if i ~= 1 && j ~= 1 planeNormal = [0;1;0]; end % 将所有点转换到新坐标系并计算距离 transformedPoints = pc(:,[1:j,i]) - dot(pc(:,i), planeNormal)*planeNormal; distances = distanceToPlane(planeNormal, mean(transformedPoints(:,i)), transformedPoints); % 更新最佳平面 currentMeanDistance = mean(distances); if currentMeanDistance < minDistance minDistance = currentMeanDistance; bestNormal = planeNormal; end end end % 创建分割平面 splitPlane = [bestNormal'; -minDistance]; % 应用分割，比如只保留距离大于等于零的部分 segmentedCloud = pc(distanceToPlane(splitPlane, pc, :) >= 0, :); % 可视化结果 scatter3(segmentedCloud(:,1), segmentedCloud(:,2), segmentedCloud(:,3)); xlabel('X'); ylabel('Y'); zlabel('Z'); %
评论 4
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