PCL点云库学习笔记（点云分割1）

点云分割

一、概述

点云分割适合处理由多个独立空间区域组成的点云，将点云分割为不同的簇，然后可以对其进行独立处理。图中说明了平面模型分割和圆柱模型分割的结果。

二、实现平面模型分割

基于随机采样一致性的分割
1.从一个样本集S中，随机抽取n个样本，拟合出一个模型，n是能够初始化模型的最小样本数。
2.用1中得到的模型去测试所有的其它数据，如果某个点与模型的误差小于某个阈值，则该点适用于这个模型，认为它也是局内点。
3.如果模型内的局内点达到一定个数，那么估计的模型就足够合理。
4.用所有假设的局内点去重新执行1,2，估计模型，因为它仅仅被初始的假设局内点估计过。
5.最后，通过估计局内点与模型的错误率来评估模型。
这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现有的模型更好而被选用。

#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>//随机参数估计方法头文件
#include <pcl/sample_consensus/model_types.h>//模型定义头文件
#include <pcl/segmentation/sac_segmentation.h>//基于采样一致性分割的类的头文件

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

	// 填充点云数据，宽度为15，高度为1，无序点云
	cloud->width = 15;
	cloud->height = 1;
	cloud->points.resize(cloud->width * cloud->height);

	// 生成数据，随机填充点云的x，y坐标，但是都处于z=1的平面上
	for (std::size_t i = 0; i < cloud->points.size(); ++i)
	{
		cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
		cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
		cloud->points[i].z = 1.0;
	}

	// 设置几个局外点，让它们的z值不同
	cloud->points[0].z = 2.0;
	cloud->points[3].z = -2.0;
	cloud->points[6].z = 4.0;

	std::cerr << "Point cloud data: " << cloud->points.size() << " points" << std::endl;
	for (std::size_t i = 0; i < cloud->points.size(); ++i)
		std::cerr << "    " << cloud->points[i].x << " "<< cloud->points[i].y << " "<< cloud->points[i].z << std::endl;

	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);//创建分割时所需的模型系数对象
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);//创建储存内点的点索引集合对象

	
	pcl::SACSegmentation<pcl::PointXYZ> seg;// 创建分割对象
	seg.setOptimizeCoefficients(true);// 设置模型系数需要优化

	// Mandatory
	seg.setModelType(pcl::SACMODEL_PLANE);//分割的模型类型
	seg.setMethodType(pcl::SAC_RANSAC);//随机参数的估计方法
	seg.setDistanceThreshold(0.01);//阈值距离

	seg.setInputCloud(cloud);
	seg.segment(*inliers, *coefficients);//输出

	if (inliers->indices.size() == 0)
	{
		PCL_ERROR("Could not estimate a planar model for the given dataset.");
		return (-1);
	}

	//打印出估计的平面模型参数，以ax+by+cz+d=0的形式
	std::cerr << "Model coefficients: " << coefficients->values[0] << " "<< coefficients->values[1] << " "<< coefficients->values[2] << " "<< coefficients->values[3] << std::endl;

	std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;
	for (std::size_t i = 0; i < inliers->indices.size(); ++i)
		std::cerr << inliers->indices[i] << "    " << cloud->points[inliers->indices[i]].x << " "
		<< cloud->points[inliers->indices[i]].y << " "
		<< cloud->points[inliers->indices[i]].z << std::endl;

	return (0);
}

三、实现圆柱体分割

基于随机采样一致性，从带有噪声的点云中，分割出一个圆柱体模型，处理流程为：
1.过滤掉远于1.5m的数据点
2.估计每个点的表面法线
3.分割出平面模型，储存
4.分割出圆柱体模型

#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/passthrough.h>
#include <pcl/features/normal_3d.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>

typedef pcl::PointXYZ PointT;
using namespace pcl;

int main(int argc, char** argv)
{
	// 定义所有需要的对象
	pcl::PCDReader rea