pcl聚类----欧式聚类分割方法

最新推荐文章于 2024-07-30 17:32:11 发布

calvin_wang_

最新推荐文章于 2024-07-30 17:32:11 发布

阅读量5.1k

点赞数 5

分类专栏： pcl 文章标签：算法

本文链接：https://blog.csdn.net/weixin_43609992/article/details/106466220

版权

本文介绍了欧式聚类分割方法在PCL库中的应用。通过KD-Tree加速寻找最近邻点，设定距离阈值和聚类大小限制，实现点云数据的聚类。算法流程包括寻找初始点，不断添加临近点至满足条件的聚类集合，直至无新点加入。PCL的函数接口用于执行这一过程。

摘要由CSDN通过智能技术生成

欧式聚类分割方法

欧式聚类是一种基于欧氏距离度量的聚类算法

流程如下：

欧式聚类流程
对于欧式聚类来说，距离判断准则为前文提到的欧氏距离。对于空间某点P，通过KD-Tree近邻搜索算法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加，整个聚类过程便结束；否则须在集合Q中选取p点以外的点，重复上述过程，直到Q中元素的数目不在增加为止

//为提取点云时使用的搜素对象利用输入点云cloud_filtered创建Kd树对象tree。

pcl::search::KdTree::Ptr tree (new pcl::search::KdTree);
tree->setInputCloud (cloud_filtered);//创建点云索引向量，用于存储实际的点云信息

使用KD-Tree来加速寻找nearest point

首先创建一个Kd树对象作为提取点云时所用的搜索方法，再创建一个点云索引向量cluster_indices，用于存储实际的点云索引信息，每个检测到的点云聚类被保存在这里。请注意： cluster_indices是一个向量，对每个检测到的聚类，它都包含一个索引点的实例，如cluster_indices[0]包含点云中第一个聚类包含的点集的所有索引。

std::vector<pcl::PointIndices> cluster_indices;
pcl::EuclideanClusterExtraction ec;
ec.setClusterTolerance (0.02); //设置近邻搜索的搜索半径为2cm
ec.setMinClusterSize (100);//设置一个聚类需要的最少点数目为100
ec.setMaxClusterSize (25000); //设置一个聚类需要的最大点数目为25000
ec.setSearchMethod (tree);//设置点云的搜索机制
ec.setInputCloud (cloud_filtered);
ec.extract (cluster_indices);//从点云中提取聚类，并将点云索引保存在cluster_indices中

因为点云是PointXYZ类型的，所以这里用点云类型PointXYZ创建一个欧氏聚类对象，并设置提取的参数和变量。注意：设置一个合适的聚类搜索半径ClusterTolerance，如果搜索半径取一个非常小的值，那么一个实际的对象就会被分割为多个聚类；如果将值设置得太高，那么多个对象就会被分割为一个聚类，所以需要进行测试找出最适合的ClusterTolerance。本例用两个参数来限制找到的聚类：用setMinClusterSize()来限制一个聚类最少需要的点数目，用setMaXClusterSize()来限制最多需要的点数目。接下来我们从点云中提取聚类，并将点云索引保存在cluster_indices中。

为了从点云索引向量中分割出每个聚类，必须迭代访问点云索引，每次创建一个新的点云数据集，并且将所有当前聚类的点写入到点云数据集中。

//迭代访问点云索引cluster_indices，直到分割出所有聚类

int j = 0;

for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin (); it != cluster_indices.end (); ++it)
    {