PCL点云处理之超体素聚类（九十八）

一、算法简介

使用 pcl: : SupervoxelClustering 将点云划分为许多超体素集群，然后展示如何使用并可视化邻接信息和超体素本身。

分割算法的目的是将图像中的像素分组成符合对象边界的感知有意义的区域。基于图形的方法，如马尔可夫网络(MRF)和条件随机域(CRF) ，已经变得流行起来，因为它们将图像中的关系低层上下文与对象级类知识结合起来。解决像素级图的成本导致了中级推理方案的发展，这种方案不直接使用像素，而是使用像素分组，即超像素，作为节点的基本级别。超像素是通过基于局部低层特征将图像过度分割成小区域，从而减少必须考虑推理的节点数目而形成的。

由于超像素对最终分割的质量有很大的影响，所以超像素具有一定的特征是非常重要的。其中，避免违反对象边界是最重要的，因为不这样做将降低以后使用的分类器的准确性-因为它们将被迫考虑属于多个类的像素。此外，即使分类器管理一个正确的输出，最终的像素级分割将必然包含错误。另一个有用的特性是在被划分的区域上有规则的分布，因为这将为后面的步骤产生一个更简单的图。

体素云连接分割(VCCS)是一种新近提出的“超像素”方法，它可以生成三维点云数据的体积过分割，称为超体素。超体素比最先进的2D 方法更好地坚持对象边界，同时保持足够的效率用于在线应用程序。VCCS 使用一种区域增长的 K平均算法，直接在体素八叉树结构中生成点的标记。超体素有两个重要的特性: 它们均匀地分布在三维空间中，除非下面的体素是空间连接的，否则它们不能跨越边界。前者是通过直接在云中播种超像素而不是投影平面来实现的，而后者使用八叉树结构来维护叶子的邻接信息。超体素在体素化的3D 空间中保持着相邻关系; 具体来说，26-相邻-即相邻体素是那些共享一个面、边或顶点的体素，如下图所示。