基于区域生长算法的点云分割(pcl::RegionGrowing)

算法原理:

 

算法流程:

 

代码:

#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)
{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1)
  {
    std::cout << "Cloud reading failed." << std::endl;
    return (-1);
  }

  pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
  pcl::PointCloud <pcl::Normal>
### 使用 PCL 库中 `RegionGrowing` 类进行点云分割 #### 创建 CMake 文件 为了编译和链接程序,创建或编辑项目的 `CMakeLists.txt` 文件如下所示: ```cmake cmake_minimum_required(VERSION 3.5 FATAL_ERROR) project(region_growing_segmentation) find_package(PCL 1.5 REQUIRED) include_directories(${PCL_INCLUDE_DIRS}) link_directories(${PCL_LIBRARY_DIRS}) add_definitions(${PCL_DEFINITIONS}) add_executable(region_growing_segmentation region_growing_segmentation.cpp) target_link_libraries(region_growing_segmentation ${PCL_LIBRARIES}) ``` 此配置确保项目能够找到并使用安装的 PCL 库[^2]。 #### 编写点云区域生长分割代码 下面是一个完整的示例代码片段来展示如何利用 `pcl::RegionGrowing` 进行点云数据集上的区域增长分割操作: ```cpp #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/features/normal_3d.h> #include <pcl/filters/passthrough.h> #include <pcl/segmentation/region_growing.h> int main(int argc, char** argv){ // 加载输入点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); if(pcl::io::loadPCDFile<pcl::PointXYZ>("input_cloud.pcd", *cloud) == -1){ std::cerr << "无法加载点云文件." << std::endl; return (-1); } // 计算法线向量 pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne; pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>()); ne.setInputCloud(cloud); ne.setSearchMethod(tree); pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); ne.setRadiusSearch(0.03); // 设置邻域半径大小 ne.compute(*normals); // 执行区域增长算法 pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg; reg.setInputCloud(cloud); reg.setInputNormals(normals); reg.setMaxClusterSize(1000000); reg.setMinClusterSize(50); reg.setNumberOfNeighbours(30); reg.setSmoothnessThreshold(3.0 / 180.0 * M_PI); reg.setCurvatureThreshold(1.0); std::vector<pcl::PointIndices> clusters; reg.extract(clusters); // 输出结果统计信息 printf("总共发现 %zu 个簇\n", clusters.size()); for(size_t i = 0; i < clusters.size(); ++i){ printf("类别: %lu 有%zu 个点\n", i + 1, clusters[i].indices.size()); } } ``` 上述代码实现了以下功能: - **读取点云**: 通过指定路径加载 `.pcd` 格式的点云文件。 - **计算法线**: 利用 K-d Tree 查找近邻点,并估计每个点处的表面法线方向。 - **设置参数**: 配置最大最小聚类尺寸、邻居数量以及平滑度阈值等关键参数。 - **执行分割**: 调用 `extract()` 方法获取最终得到的不同连通分量(即不同物体)对应的索引列表。 - **打印输出**: 展示每组内含有的点数及其编号。 这段代码展示了怎样运用 PCL 提供的功能完成一次基本的三维空间内的对象识别过程[^1]。
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值