PCL之区域生长分割

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，从最平滑的区域开始生长可减少分割片段的总数，提高效率。

算法流程

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，小于平滑阀值的将当前点加入到当前区域。然后检测每一个邻域点的曲率值，小于曲率阀值的加入到种子点序列中。在进行种子点领域判断后，删除当前的种子点，利用新加入的种子点继续生长，重复进行以上生长过程，直到种子序列被清空。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序列中，重复以上生长的步骤，这样就通过区域生长实现了点云分割。

算法流程总结：

1. 种子周围的临近点和种子点云相比较
2. 法线的方向是否足够相近
3. 曲率是否足够小
4. 如果满足2，3则该点可用做种子点
5. 如果只满足2，则归类而不做种子点
6. 从某个种子出发，其“子种子”不再出现则一类聚集完成
7. 类的规模既不能太大也不能太小

代码展示：

#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>

typedef pcl::PointXYZ PointT;

int main ( )
{
  //点云的类型
  pcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PointT>);
  //打开点云
  if ( pcl::io::loadPCDFile("/home/ancy/Desktop/tradition/data/tutorials/table_scene_lms400.pcd", *cloud) == -1)
  {
    std::cout << "Cloud reading failed." << std::endl;
    return (-1);
  }
 //设置搜索的方式
  pcl::search::Search<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
  //求法线
  pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
  pcl::NormalEstimation<PointT, pcl::Normal> normal_estimator;
  normal_estimator.setSearchMethod (tree);
  normal_estimator.setInputCloud (cloud);
  normal_estimator.setKSearch (50);
  normal_estimator.compute (*normals);
   //直通滤波在Z轴的0到1米之间
  pcl::IndicesPtr indices (new std::vector <int>);
  pcl::PassThrough<PointT> pass;
  pass.setInputCloud (cloud);
  pass.setFilterFieldName ("z");
  pass.setFilterLimits (0.0, 1.0);
  pass.filter (*indices);
  //聚类对象<点，法线>
  pcl::RegionGrowing<PointT, pcl::Normal> reg;
  reg.setMinClusterSize (5000);  //最小的聚类的点数
  reg.setMaxClusterSize (1000000);  //最大的聚类的点数
  reg.setSearchMethod (tree);    //搜索方式
  reg.setNumberOfNeighbours (30);    //设置搜索的邻域点的个数
  reg.setInputCloud (cloud);         //输入点
  //reg.setIndices (indices);
  reg.setInputNormals (normals);     //输入的法线
  reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);  //设置平滑度
  reg.setCurvatureThreshold (1.0);     //设置曲率的阀值
  // 获取聚类的结果，分割结果保存在点云索引的向量中
  std::vector <pcl::PointIndices> clusters;
  reg.extract (clusters);
  //输出聚类的数量
  std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
  // 输出第一个聚类的数量
  std::cout << "First cluster has " << clusters[0].indices.size () << " points." << endl;
  std::cout << "These are the indices of the points of the initial" <<
    std::endl << "cloud that belong to the first cluster:" << std::endl;

 int counter = 0;
  while (counter < clusters[0].indices.size ())
  {
    std::cout << clusters[0].indices[counter] << ", ";
    counter++;
    if (counter % 10 == 0)
      std::cout << std::endl;
  }
  std::cout << std::endl;

  //可视化聚类的结果
  pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud ();
  pcl::visualization::CloudViewer viewer ("Cluster viewer");
  viewer.showCloud(colored_cloud);
  while (!viewer.wasStopped ())
  {
  }

  return (0);
}

效果展示：

测试文件地址:  table_scene_lms400.pcd