PCL学习笔记（二十六）-- 基于区域生长的分割

最新推荐文章于 2024-04-21 15:16:50 发布

看到我请叫我学C++

最新推荐文章于 2024-04-21 15:16:50 发布

阅读量1.8k

点赞数 3

分类专栏： PCL学习笔记

本文链接：https://blog.csdn.net/qq_45006390/article/details/119182726

版权

PCL学习笔记专栏收录该内容

40 篇文章 209 订阅

订阅专栏

一、简介

区域生长分割算法的输出是一个聚类集合，每个聚类集合被认为是同一光滑表面的一部分。该算法思想：首先依据点的曲率值对点进行排序，之所以排序，是因为区域生长算法是从曲率最小的点开始生长的，这个点就是初始种子点，初始种子点所在的区域即为最平滑的区域，一般场景中平面区域较大，这样从最平滑的区域开始生长可减少分割区域的总数，提高效率。

算法的流程：设置一空的种子点序列和空的聚类数组，选好初始种子点后，将其加入到种子点序列中，并搜索邻域点。对每一个邻域点，比较邻域点的法线与当前种子点的法线之间的夹角，小于平滑阈值的邻域点加入到当前区域。然后检查每一个邻域点的曲率值，小于曲率阈值的邻域点加入到种子点序列中。在进行种子点邻域判断后，删除当前种子点，利用新加入的种子点继续生长，重负进行以上生长过程，知道种子点序列被清空。一个区域生长完成，将其加入聚类数组。最后，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，重复以上生长步骤，这样就通过区域生长实现了点云的分割。

二、代码分析

1）利用pcl::NormalEstimation类，计算法线：

	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;//创建法线估计对象
	normal_estimator.setSearchMethod (tree);//设置搜索方法
	normal_estimator.setInputCloud (cloud);//设置法线估计对象输入点集
	normal_estimator.setKSearch (KN_normal);// 设置用于法向量估计的k近邻数目
	normal_estimator.compute (*normals);//计算并输出法向量

2）对类pcl::RegionGrowing进行实例化，该模板类具有两个参数：PointT是所用点云的类型，NormalT是所用法线的类型：

	pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;//创建区域生长分割对象

3）设置最大和最小聚类大小，这样分割后点的数量小于最小聚类值（或大于最大聚类值）的都将被舍弃：

	reg.setMinClusterSize (50);//设置一个聚类需要的最小点数
	reg.setMaxClusterSize (1000000);//设置一个聚类需要的最大点数

4）该方法需要用K近邻搜索遍历近邻，一下几行提供搜索方法和设置近邻大小阈值，并输入点云，点云索引和点云对应的法向量：

	reg.setSearchMethod (tree);//设置搜索方法
	reg.setNumberOfNeighbours (30);//设置搜索的临近点数目
	reg.setInputCloud (cloud);//设置输入点云
	if(Bool_Cuting)reg.setIndices (indices);//通过输入参数设置，确定是否输入点云索引
	reg.setInputNormals (normals);//设置输入点云的法向量

5）setSmoothnessThreshold成员函数用于设置平滑阈值，也就是两点法线偏差的允许范围。如果两点法线间的偏差小于算法设置的平滑阈值，那么这两点被认为是同一个聚类；setCurvatureThreshold成员函数用于设置曲率阈值，即两点曲率偏差的允许范围，如果两点的法向量偏差较小，那么将继续检测它们曲率之间的差异，如果这个值小于曲率阈值，那么算法会采用新增加的点迭代进行区域生长：

	reg.setSmoothnessThreshold (SmoothnessThreshold / 180.0 * M_PI);//设置平滑阈值
	reg.setCurvatureThreshold (CurvatureThreshold);//设置曲率阈值

6）启动分割算法，返回聚类向量：

	std::vector <pcl::PointIndices> clusters;
	reg.extract (clusters);//获取聚类的结果，分割结果保存在点云索引的向量中。
	end = time(0); 
	diff[2] = difftime (end, start)-diff[0]-diff[1]; 
	PCL_INFO ("\Region growing takes(seconds): %d\n", diff[2]); 

	std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;//输出聚类的数量
	std::cout << "First cluster has " << clusters[0].indices.size () << " points." << endl;//输出第一个聚类的数量

7）整体代码如下：

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/search/search.h>
#include <pcl/search/kdtree.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/region_growing.h>
#include <pcl/console/print.h>
#include <pcl/console/parse.h>
#include <pcl/console/time.h>
#include <Windows.h>
#include <stdio.h>
#include <psapi.h>

void PrintMemoryInfo()																					//输出内存中的报错信息
{
	HANDLE hProcess;
	PROCESS_MEMORY_COUNTERS pmc;

	hProcess = GetCurrentProcess();
	printf("\nProcess ID: %u\n", hProcess);

	if (NULL == hProcess)
		return;
	
	if (GetProcessMemoryInfo(hProcess, &pmc, sizeof(pmc)))
	{
		printf("\t PageFaultCount: 0x%08X\n", pmc.PageFaultCount);
		printf("\t PeakWorkingSetSize: 0x%08X\n", pmc.PeakWorkingSetSize);
		printf("\t WorkingSetSize: 0x%08X\n", pmc.WorkingSetSize);
		printf("\t QuotaPeakPagedPoolUsage: 0x%08X\n", pmc.QuotaPeakPagedPoolUsage);
		printf("\t QuotaPagedPoolUsage: 0x%08X\n", pmc.QuotaPagedPoolUsage);
		printf("\t QuotaPeakNonPagedPoolUsage: 0x%08X\n", pmc.QuotaPeakNonPagedPoolUsage);
		printf("\t QuotaNonPagedPoolUsge: 0x%08X\n", pmc.QuotaNonPagedPoolUsage);
		printf("\t PagefileUsge: 0x%08X\n", pmc.PagefileUsage);
		printf("\t peakPagefileUsage: 0x%08X\n", pmc.PeakPagefileUsage);
	}

	CloseHandle(hProcess);
}

using namespace pcl::console;
int main(int argc, char** argv)
{
	if (argc < 2)
	{
		std::cerr << ".exe xx.pcd -kn 50 -bc 0 -fc 10.0 -nc 0 -st 30 -ct 0.05" << std::endl;			//输出参考信息
		return (0);
	}
	time_t start, end, diff[5], option;																	//用于保存运行的相应时间等
	start = time(0);																					//记录当前的时间
	int KN_normal = 50;
	bool Bool_cutting = false;
	float far_cutting = 10, near_cutting = 0, SmoothnessThreshold = 30.0, CurvatureThreshold = 0.05;
	parse_argument(argc, argv, "-kn", KN_normal);														//设置k近邻点的个数
	parse_argument(argc, argv, "-bc", Bool_cutting);													//设置是否进行直通滤波的标志位
	parse_argument(argc, argv, "-fc", far_cutting);														//设置直通滤波的上限
	parse_argument(argc, argv, "-nc", near_cutting);													//设置直通滤波的下限
	parse_argument(argc, argv, "-st", SmoothnessThreshold);												//设置平滑阈值
	parse_argument(argc, argv, "-ct", CurvatureThreshold);												//设置曲率阈值
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);						//设置输入点云的对象，用于加载点云数据
	if (pcl::io::loadPCDFile<pcl::PointXYZ>(argv[1], *cloud) == -1)
	{
		std::cout << "Cloud reading failed." << std::endl;
		return (-1);
	}
	end = time(0);																						//记录加载完点云时的时间
	diff[0] = difftime(end, start);																		//记载加载所用的时间
	PCL_INFO("\Loading pcd file takes(seconds):%d\n", diff[0]);

	pcl::search::Search<pcl::PointXYZ>::Ptr tree = pcl::shared_ptr< pcl::search::Search<pcl::PointXYZ> > (new pcl::search::KdTree<pcl::PointXYZ>);
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);						//智能指针声明kd tree与法线
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;									//实例化一个法线估计对象
	normal_estimator.setSearchMethod(tree);																//设置搜索方式
	normal_estimator.setInputCloud(cloud);																//设置输入点云
	normal_estimator.setKSearch(KN_normal);																//设置k近邻点的个数
	normal_estimator.compute(*normals);																	//执行法线估计
	end = time(0);
	diff[1] = difftime(end, start) - diff[0];															//记录法线估计所用的时间
	PCL_INFO("\Estimationg normal takes : %d seconds\n", diff[1]);
	
	pcl::IndicesPtr indices(new std::vector<int>);														//声明一个索引指针
	if (Bool_cutting)																					//判断是否需要进行直通滤波
	{
		pcl::PassThrough<pcl::PointXYZ> pass;															//设置直通滤波器对象
		pass.setInputCloud(cloud);																		//设置输入点云
		pass.setFilterFieldName("z");																	//指定进行过滤的字段
		pass.setFilterLimits(near_cutting, far_cutting);												//设置进行过滤的范围
		pass.filter(*indices);																			//执行滤波，并保存滤波结果
	}

	pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal>reg;													//创建区域生长的分割对象
	reg.setMinClusterSize(50);																			//设置聚类所需要的最小点数
	reg.setMaxClusterSize(1000000);																		//设置一个聚类的最大点数
	reg.setSearchMethod(tree);																			//设置搜索方式
	reg.setNumberOfNeighbours(30);																		//设置近邻点的个数
	reg.setInputCloud(cloud);																			//设置输入点云
	if (Bool_cutting)reg.setIndices(indices);															//通过输入参数设置，确定是否输入点云的索引
	reg.setInputNormals(normals);																		//输入点云的法向量
	reg.setSmoothnessThreshold(SmoothnessThreshold / 180.0 * M_PI);										//设置平滑阈值
	reg.setCurvatureThreshold(CurvatureThreshold);														//设置曲率阈值

	std::vector<pcl::PointIndices> clusters;															//用动态数组保存聚类的结果
	reg.extract(clusters);																				
	end = time(0);																						//计算聚类所需的时间
	diff[2] = difftime(end, start) - diff[0] - diff[1];
	PCL_INFO("\Region growing takes %d seconds\n", diff[2]);

	std::cout << "Number of clusters is equal to " << clusters.size() << std::endl;
	std::cout << "First cluster has " << clusters[0].indices.size() << " points." << std::endl;
	std::cout << "These are the indices of the points of the initial" << std::endl << "cloud that belong to the first cluster:" << std::endl;
	PrintMemoryInfo();
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud();
	pcl::visualization::CloudViewer viewer("区域生长分割方法");
	viewer.showCloud(colored_cloud);
	while (!viewer.wasStopped())
	{

	}
	return (0);
}

三、编译结果

分割后的图像存在部分红色点，说明这部分点的数量小于或大于用户设定的阈值。基于区域生长的分割算法，对输入参数有一啦，通过修改相关输入参数，可以获得更好的分割效果：

看到我请叫我学C++

关注

3
点赞
踩
11

收藏

觉得还不错? 一键收藏
13
评论
PCL学习笔记（二十六）-- 基于区域生长的分割

一、简介区域生长分割算法的输出是一个聚类集合，每个聚类集合被认为是同一光滑表面的一部分。该算法思想：首先依据点的曲率值对点进行排序，之所以排序，是因为区域生长算法是从曲率最小的点开始生长的，这个点就是初始种子点，初始种子点所在的区域即为最平滑的区域，一般场景中平面区域较大，这样从最平滑的区域开始生长可减少分割区域的总数，提高效率。算法的流程：设置一空的种子点序列和空的聚类数组，选好初始种子点后，将其加入到种子点序列中，并搜索邻域点。对每一个邻域点，比较邻域点的法线与当前种子点的法线之...
复制链接

扫一扫