PCL中的点云分割算法

介绍

点云分割算法是点云处理中非常重要的一部分内容，扫描出来的点云往往是整幅场景，没有办法对其直接处理，这个时候就需要一些点云分割算法。

PCL是一个强大的库，已经帮我们封装好了许多分割算法，像平面模型、圆柱模型、立方体等一些规则模型的分割，和基于聚类方法的非规则模型的分割。

下面来具体介绍下PCL中主要的点云分割算法。

规则物体的模型分割

这种分割算法主要针对规则物体，比如球、圆柱、平面、立方体，因为这些模型可以很方便的建立起数学模型，后面通过RANSAC算法进行拟合，得出最终的分割模型，若一个场景中有多个规则模型，可以根据拟合的模型进行逐一分割，对相同规则的模型，则是从大到小开始分割。

基于聚类算法的分割

聚类算法在数据分析中应用非常广泛，同样，也适用于三维空间。基于k-means聚类算法，可以分割指定类别的点云。除了k-means，还有自适应类别分割算法。

区域蔓延分割

区域生长分割算法广泛应用于图像分割中，二维图像常常采取区域生长分割算法实现图像分割，由于其分割的高效性，现已被应用于3D分割中，PCL中的类pcl::RegionGrowing用来实现点云的区域生长分割。区域生长分割是基于点云法线的分割算法，算法的主要思路如下：

（1）根据点的曲率值对点云进行排序，曲率最小的点叫做初始种子点，区域生长算法从曲率最小的种子点开始生长，初始种子点所在区域为最平滑区域，从初始种子点所在的区域开始生长可减小分割片段的总数，从而提高算法的效率。

（2）设置一空的聚类区域Ｃ和空的种子点序列Ｑ，选好初始种子点，将其加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的平滑阀值时，将领域点加入到Ｃ中，同时判断该领域点的曲率值是否小于曲率阀值，将小于曲率阔值的领域点加入种子点序列Ｑ中，在Ｑ中重新选择新的种子点重复上述步骤，直到Ｑ中序列为空，算法结束。

基于欧几里德距离的分割算法

具体的实现方法大致是：

找到空间中某点p10，有kdTree找到离他最近的n个点，判断这n个点到p的距离。将距离小于阈值r的点p11,p12,p13…放在类Q里。
在 Q\p10 里找到一点p11,重复1。
在 Q\p10,p11 中找到一点，重复1，找到p12,p13,p14…全部放进Q里。
当 Q 再也不能有新点加入了，则完成搜索了。