pcl实现点云的区域增长算法

区域增长

• 区域增长（region growing）是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。

区域增长算法

实现步骤如下：

1. 随机或者对图像进行扫描，找到第一个还没有赋予属性的像素, 设该像素为(x0, y0);
2. 以(x0, y0)为中心, 考虑(x0, y0)的4邻域或者8邻域像素(x,y)与种子像素的灰度值之差的绝对值小于某个阈值T，如果满足条件, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;
3. 从堆栈中取出一个像素, 把它当作(x0, y0)返回到步骤2;
4. 当堆栈为空时!返回到步骤1;
5. 重复步骤1 - 4直到图像中的每个点都有归属时。生长结束。

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。

具体函数使用

// 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);  

具体实例解析

// 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);
}

运行结果：
可以看到，bunny的头部、耳朵、尾巴等都被较好的区分开来。

参考：
《PCL点云库学习&VS2010(X64)》Part 27 PCL中的区域增长之—Region_Growing算法
https://blog.csdn.net/sinat_24206709/article/details/69814380
PCL实现区域增长算法（代码详细解析）
https://blog.csdn.net/RNG_uzi_/article/details/88422523