PCL点云分割：Conditional Euclidean Clustering

最新推荐文章于 2025-06-21 08:41:50 发布

有梦想的田园犬

最新推荐文章于 2025-06-21 08:41:50 发布

阅读量9k

点赞数 7

CC 4.0 BY-SA版权

分类专栏： PCL 点云分割

本文链接：https://blog.youkuaiyun.com/AmbitiousRuralDog/article/details/80278210

本文介绍了PCL中的Conditional Euclidean Clustering算法，该算法是一种区域生长分割方法的扩展，允许用户自定义条件函数。通过设置距离、法线、曲率等阈值进行点云分割。实验表明，利用intensity信息可以得到更好的分割效果，但在缺失该信息的情况下，算法性能下降。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景：

pcl官方教程:http://www.pointclouds.org/documentation/tutorials/conditional_euclidean_clustering.php#conditional-euclidean-clustering

1.使用感受

这个算法实际就是region growing segmentation的扩展版。你可以先看看我的另一个文章，关于region growing segmentation的：点击打开链接。Conditional Euclidean Clustering实际就是放开那个蔓延的condition, 你可以写一个自己的condition函数，而官方教程中提供了以下这几种condition函数：enforceIntensitySimilarity, enforceCurvatureOrIntensitySimilarity 还有customRegionGrowing。而且一些阈值你需要在你的condition函数里设置好，你的condition函数变成一个回调函数setConditionFunction的输入。至于调参的感受和我的那篇region growing segmentation的文章里说的一样，调参起来还是相对容易的。主要需要调节蔓延时候用到的阈值。

如果你对你的场景里的墙壁地板这些物体的点的数目有个先验的信息，你可以在用户setMaxClusterSize()来过滤掉他们。再用setMinClusterSize()来过滤一些噪音。还可以调用getRemoveCluster()来获取这些被过滤掉的点云。

2. 算法细节

为了了解设置这些参数，让我们来了解一下如何内部细节。从官方的介绍里，算法的流程是写的很仔细的。为了让你更直观的明白，我概括的来说，就是从曲率小的面播种，从种子的位置出发，开始往四周搜索点，然后先对比点与点之间的距离是否小于距离阈值，如果是然后再比对点于点之