PCL—基于法线微分的分割—DON

基于法线微分的分割
1.根据不同尺度下法向量特征的差异性，利用pcl::DifferenceOfNormalsEstimation实现点云分割，在处理有较大尺度变化的场景点云分割效果较好，利用不同支撑半径去估算同一点的两个单位法向量，单位法向量的差定义DoN特征。

2.DoN算法：
DoN特征源于观察到基于所给半径估计的表面法向量可以反映曲面的内在几何特征，因此这种分割算法是基于法线估计的，需要计算点云中某一点的法线估计。而通常在计算法线估计的时候都会用到邻域信息，很明显邻域大小的选取会影响法线估计的结果。而在DoN算法中，邻域选择的大小就被称为support radius（支持半径）。对点云中某一点选取不同的支持半径，即可以得到不同的法线估计，而法线之间的差异，就是是所说的法线差异。

3.代码例程：
（1）对于输入点云数据中的每一点，利用较大的支撑半径rl计算法向量；
（2）对于输入点云数据中的每一点，利用较大的支撑半径rs计算法向量；
（3）对于输入点云数据中的每一点，单位化每一点的法向量差异
（4）过滤所得的向量域（DoN特征向量），分割出目标尺寸对应的点云；

#include <string>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/search/organized.h>
#include <pcl/search/kdtree.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/filters/conditional_removal.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/segmentation/impl/extract_clusters.hpp>

#include <pcl/features/don.h>
#include <pcl/visualization/pcl_visualizer.h>//for visualization

using namespace pcl;
using namespace std;

pcl::PointCloud<pcl::PointXYZRGB>::Ptr getColoredCloud
(pcl::PointCloud<pcl::PointXYZ>::Ptr input_,
	std::vector <pcl::PointIndices> clusters_, float r, float g, float b)
{
   
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored_cloud;
	if (!clusters_.empty())
	{
   
		colored_cloud = (new pcl::PointCloud<pcl::PointXYZRGB>)->makeShared();
		srand(static_cast<unsigned int>(time(0)));
		std::vector<unsigned char>colors;
		for (size_t i_segment = 0; i_segment < clusters_.size(); i_segment++)
		{
   
			colors.push_back(static_cast<unsigned char> (rand() % 256));
			colors.push_back(static_cast<unsigned char> (rand() % 256));
			colors.push_back(static_cast<unsigned char> (rand() % 256));
		}
		colored_cloud->width = input_->width;
		colored_cloud->height = input_->height;
		colored_cloud->is_dense = input_->is_dense;
		for (size_t i_point = 0; i_point < input_->points.size(); i_point++)
		{
   
			pcl::PointXYZRGB point;
			point.x = *(input_->points[i_point].data);
			point.y = *(input_->points[i_point].data + 1);
			point.z = *(input_->points[i_point].data + 2);
			point.r = r;
			point.g = g;
			point.b = b;
			colored_cloud->points.push_back(point);
		}
		std::vector< pcl::PointIndices >::iterator i_segment;
		int next_color = 0;
		for (i_segment = clusters_.begin(); i_segment != clusters_.end(); i_segment++)
		{
   
			std::vector<int>::iterator i_point;
			for (i_point = i_segment->indices.begin(); i_point != i_segment->indices.end(); i_point++)
			{
   
				int index;
				index = *i_point;
				colored_cloud->points[index].r = colors[3 * next_color];
				colored_cloud->points[index].g = color