PCL区域增长原理及代码

一. 算法核心：
该算法是基于点法线之间角度的比较，将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。
二. 工作原理：
区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程：
1.点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集；
2.对于每个种子点，算法都会发现周边的所有近邻点。
1） 计算每个近邻点与当前种子点的法线角度差(reg.setSmoothnessThreshold)，如果差值小于设置的阈值，则该近邻点被重点考虑，进行第二步测试；
2） 该近邻点通过了法线角度差检验，如果它的曲率小于我们设定的阈值(reg.setCurvatureThreshold)，这个点就被添加到种子点集，即属于当前平面。
3.通过两次检验的点，被从原始点云去除。
4.设置最小点簇的点数min（reg.setMinClusterSize），最大点簇为max（reg.setMaxClusterSize）。
5.重复1-3步，算法会生成点数在min和max的所有平面，并对不同平面标记不同颜色加以区分。
6.直到算法在剩余点中生成的点簇不能满足min，算法停止工作。

三.工程文件中的代码.cpp:
算法的使用流程：
1、输入点云；
2、构建k-dtree；
3、估计法线；
4、区域增长。

// Region growing clustering object.  
    pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> clustering;  
    clustering.setMinClusterSize(100);  
    clustering.setMaxClusterSizsetMinClusterSizee(10000);  
    clustering.setSearchMethod(kdtree);  
    clustering.setNumberOfNeighbours(30);  
    clustering.setInputCloud(cloud);  
    clustering.setInputNormals(normals);  
    // Set the angle in radians that will be the smoothness threshold  
    // (the maximum allowable deviation of the normals).  
    clustering.setSmoothnessThreshold(7.0 / 180.0 * M_PI); // 7 degrees.  
    // Set the curvature threshold. The disparity between curvatures will be  
    // tested after the normal deviation check has passed.  
    clustering.setCurvatureThreshold(1.0);  
  
    std::vector <pcl::PointIndices> clusters;  
    clustering.extract(clusters);  

// growth.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"


#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>

int main(int argc, char** argv)
{
	DWORD t1, t2;
	t1 = GetTickCount();//以上两句和最后return 0 之上的为计时函数。

						//点云的类型
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	//打开点云
	if (pcl::io::loadPCDFile <pcl::PointXYZ
	("C:/Users/10859/Desktop/pointcloudsdata/bunny.pcd", *cloud) == -1)//改成想要输入的点云名称...*cloud就是把输入的点云记录到变量指针cloud中。
	{
		std::cout << "Cloud reading failed." << std::endl;
		return (-1);
	}
	//设置搜索的方式或者说是结构
	pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ> >(new pcl::search::KdTree<pcl::PointXYZ>);
	//求法线
	pcl::PointCloud <pcl::Normal>::Ptr normals(new pcl::PointCloud <pcl::Normal>);
	pcl::NormalEstimation<pcl::PointXYZ, 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<pcl::PointXYZ> 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<pcl::PointXYZ, pcl::Normal> reg; //首先建立reg寄存器(区域曾长的对象）
	reg.setMinClusterSize(50);  //最小的聚类的点数(小于这参数的平面被忽略不计）
	reg.setMaxClusterSize(1000000);  //最大的(一般随便设置）
	reg.setSearchMethod(tree);    //搜索方式(采用的默认是K—d树法）
	reg.setNumberOfNeighbours(30); //设置搜索的邻域点的个数，周围多少个点决定这是一个平面(决定容错率，设置大时有倾斜也可接受，设置小时检测到的平面会很小）
	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(设置两个法线在多大夹角内可当做是共面的）
	reg.setCurvatureThreshold(1.0);     //设置曲率的阈值
										//最后也是一个弯曲的阈值，这个决定了比当前考察的点和平均的法线角度，决定是否还有继续探索下去的必要。
										//（也就是假设每个点都是平稳弯曲的，那么normal的夹角都很小，但是时间长了偏移的就大了，这个参数就是限制这个用的）

	std::vector <pcl::PointIndices> clusters;
	reg.extract(clusters);
	//把结果输出到一个簇里面，这个簇会自动把每个平面分成一个vector，可以打印下来看看
	std::cout << "Number of clusters is equal to " << clusters.size() << std::endl;
	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())
	{
	}
	pcl::PCDWriter writer;//将点云写入磁盘
	writer.write("C:/Users/10859/Desktop/pointcloudsdata/bunnyresult.pcd",
	*colored_cloud, false);//改成想要输出的点云名称

	t2 = GetTickCount();  //从这句到return 0之间的两句为计时函数
	printf("Use Time:%f\n", (t2 - t1)*1.0 / 1000);

	system("pause");
	return (0);
}

四.cmake文件参照如下：

cmake_minimum_required(VERSION 3.2 FATAL_ERROR)
project(region_growing_segmentation)
find_package(PCL 1.7 REQUIRED)
include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})
add_executable (region_growing_segmentation region_growing_segmentation.cpp)
target_link_libraries (region_growing_segmentation ${PCL_LIBRARIES})

注释：
1.文件输入、输出最好使用绝对路径；
2.代码中涉及到的参数：
setKSearch()： 这是在计算点的法线时，设置邻域内需要多少点来模拟平面计算法线。法线计算：http://geometryhub.net/notes/pointcloudnormal
setMInClusterSize() setMaxClusterSize() 原理中已经提到
setNumberOfneighbours() 指的是区域增长时种子点附近纳入检验的点数
setSmoothnessThreshold() setCurvatureThreshold() 原理中已经提到。这两个阈值的设置尤其重要，它们是region growing segmentation的核心。
3.注意，输入点点类型为 pcl::PointCloudpcl::PointXYZ，输出点pcl::PointXYZRGB，因为分割完之后不同平面信息被 不同颜色标记，而被抛弃的点被红色标记。如下图所示。点类型根据读者输入的点云数据包含的列信息而定，在此不在详细解释。

头部、耳朵、尾巴等都被较好的区分开来.
参考：https://blog.csdn.net/weixin_44849088/article/details/103411003
https://blog.csdn.net/aishuirenjia/article/details/80239562