PCL学习笔记（三十八）-- 点云分割概念

一、聚类分割算法

        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-mean法、最大似然方法和模糊聚类法）分割点云数据。聚类分割的基本原理为：考察m个数据点，在m维空间内，定义点与点之间某种性质的亲疏聚类，设m个数据点组成n类，然后将具有最小距离的两类何为一类，并重新计算类与类之间的距离，迭代直到任意两类之间的距离大于指定的阈值，或者类的个数小于指定的数目，完成分割。

二、基于随机采样一致性的分割

        对由采样点估计出被测量物体参数的研究已有相当长的历史，且当前研究人员仍在尝试改进和提出不同的算法来满足各种应用的需要。因为对噪声和外点具有较高的鲁棒性，所以Hough变换和随机采样一致性是两类常见的选择。Hough变换在检测复杂模型或数据维数较高时具有较大的时间和空间开销，主要是用于图像领域；二基于RANSAC的方法目前已有看多种效率较高的改进实现，典型的工作是Schnabel等基于局部采样策略和改进的评价函数来提高RANSAC在点云中检测基元的效率。

        RANSAC于1981年由Fischler和Bolles最先提出，其基本思想是根据一组包含噪声、外点等各种缺陷的样本数据集，估计出数据的数学模型参数，并同时得到有效样本数据。其基本思想描述如下：

        1）考虑一个最小采样集大小为n的模型（n为初始化模型参数所需的最小样本数）和一个样本集S，集合S的样本数N(S) > n，从S中随机抽取包含n个样本的S的子集S'初始化模型M。

        2）余集 R = S - S'，与模型M的误差小于某一设定阈值S'的样本集以及S'构成S*，S*认为是有效的样本集，它们构成S的一致集。

        3）若N(S*)大于等于阈值N，则认为得到了正确的模型参数，重新执行步骤1和步骤2.

        4）在完成一定的采样次数Max后，若未能找到一个正确的模型则认为算法失败，否则选取由最大一致集的模型，算法结束。

        由上述步骤可见，RANSAC框架需要有3个输入参数、Max、N，其中第一个参数为判断样本是否满足模型M的误差容忍度，可以看作是对内点噪声均方差的假设，对于不同的输入数据需要采用人工干预的方式预设合适的阈值N，且该参数对RANSAC性能有很大的影响。第二个参数为随机抽取样本集S'的次数Max，该参数直接影响随机采样一致性算法中样本参与模型参数的检验次数，从而影响算法的效率，因为大部分随机采样都受到外点的影响。表征得到正确模型时，一致集S*的大小N。为了确保得到的表征数据集S的正确模型，一般要求一致集足够大，而且，足够多的一致样本会是得重新估计的模型参数更加精确。基于RANSAC的基元检测算法虽然具有较高的鲁棒性和效率，但目前仅针对平面、球、圆柱、圆锥和圆环五种基本的基元。