【PCL】Segmentation 模块—— 区域生长分割（Region Growing Segmentation）

原创 已于 2025-01-15 13:23:03 修改 · 912 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #3D #c++

于 2025-01-14 16:36:20 首次发布

1、简介

区域生长分割（Region Growing Segmentation）

定义：
区域生长分割是一种基于相似性准则的图像分割方法，通过从种子点开始，逐步合并邻近像素或点，形成具有相似属性的区域。

步骤：

  1. 选择种子点：手动或自动选择初始种子点。
  2. 定义相似性准则：如颜色、强度、法线等。
  3. 区域生长：从种子点出发，合并符合相似性准则的邻近像素或点。
  4. 终止条件：当没有更多符合准则的像素或点时，停止生长。

主要应用场景：

  1. 医学图像分割：用于分割器官、肿瘤等。
  2. 遥感图像分析：用于土地分类、植被检测等。
  3. 三维点云处理：用于物体识别、场景理解等。
  4. 计算机视觉：用于目标检测、图像分割等。

总结：
区域生长分割是一种有效的图像和点云分割方法，广泛应用于医学、遥感和计算机视觉等领域。PCL提供了便捷的实现工具。

2、代码实现

2.1 region_growing_segmentation.cpp

#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/filter_indices.h> // for pcl::removeNaNFromPointCloud
#include <pcl/segmentation/region_growing.h>

int main ()
{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("yourpcd.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>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
  normal_estimator.setSearchMethod (tree);
  normal_estimator.setInputCloud (cloud);
  normal_estimator.setKSearch (50);
  normal_estimator.compute (*normals);

  pcl::IndicesPtr indices (new std::vector <int>);
  pcl::removeNaNFromPointCloud(*cloud, *indices);

  pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
  reg.setMinClusterSize (50);
  reg.setMaxClusterSize (1000000);
  reg.setSearchMethod (tree);
  reg.setNumberOfNeighbours (30);
  reg.setInputCloud (cloud);
  reg.setIndices (indices);
  reg.setInputNormals (normals);
  reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
  reg.setCurvatureThreshold (1.0);

  std::vector <pcl::PointIndices> clusters;
  reg.extract (clusters);

  std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
  std::cout << "First cluster has " << clusters[0].indices.size () << " points." << std::endl;
  std::cout << "These are the indices of the points of the initial" <<
    std::endl << "cloud that belong to the first cluster:" << std::endl;
  std::size_t counter = 0;
  while (counter < clusters[0].indices.size ())
  {
    std::cout << clusters[0].indices[counter] << ", ";
    counter++;
    if (counter % 10 == 0)
      std::cout << std::endl;
  }
  std::cout << std::endl;

  pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud ();
  pcl::visualization::CloudViewer viewer ("Cluster viewer");
  viewer.showCloud(colored_cloud);
  while (!viewer.wasStopped ())
  {
  }

  return (0);
}

2.2 CMakeLists.txt

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})

2.3 运行结果

  • 编译运行
mkdir build && cd build
cmake ..
make
./region_growing_segmentation
  • 结果

在这里插入图片描述

在这里插入图片描述

3、代码分析

这段代码主要分为数据的加载、法线估计、区域生长分割以及可视化。以下是对代码的详细解释：

3.1 头文件引入
#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/filter_indices.h> // for pcl::removeNaNFromPointCloud
#include <pcl/segmentation/region_growing.h>
  • iostream: 用于标准输入输出。
  • vector: 用于存储点云索引等数据。
  • pcl/point_types.h: 定义了PCL中的点类型（如 pcl::PointXYZ）。
  • pcl/io/pcd_io.h: 提供了点云数据的读写功能。
  • pcl/search/search.h 和 pcl/search/kdtree.h: 提供了点云搜索功能，使用KD树进行最近邻搜索。
  • pcl/features/normal_3d.h: 用于估计点云中每个点的法线。
  • pcl/visualization/cloud_viewer.h: 用于点云的可视化。
  • pcl/filters/filter_indices.h: 提供了点云滤波功能，如去除无效点（NaN点）。
  • pcl/segmentation/region_growing.h: 提供了区域生长分割算法。
3.2 主函数
int main ()
{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("yourpcd.pcd", *cloud) == -1)
  {
    std::cout << "Cloud reading failed." << std::endl;
    return (-1);
  }
  • pcl::PointCloudpcl::PointXYZ::Ptr cloud: 定义一个指向 pcl::PointXYZ 类型点云的智能指针。
  • pcl::io::loadPCDFile: 从PCD文件中加载点云数据。如果加载失败，程序返回-1并输出错误信息。
3.3 法线估计
  pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
  pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
  normal_estimator.setSearchMethod (tree);
  normal_estimator.setInputCloud (cloud);
  normal_estimator.setKSearch (50);
  normal_estimator.compute (*normals);
  • pcl::search::Searchpcl::PointXYZ::Ptr tree: 定义一个KD树用于最近邻搜索。
  • pcl::PointCloud pcl::Normal::Ptr normals: 定义一个存储法线的点云。
  • pcl::NormalEstimation: 法线估计器，用于计算点云中每个点的法线。
    • setSearchMethod: 设置搜索方法为KD树。
    • setInputCloud: 设置输入点云。
    • setKSearch: 设置最近邻搜索的K值为50。
    • compute: 计算法线并存储在 normals 中。
3.4 去除无效点
  pcl::IndicesPtr indices (new std::vector <int>);
  pcl::removeNaNFromPointCloud(*cloud, *indices);
  • pcl::IndicesPtr indices: 定义一个存储有效点索引的向量。
  • pcl::removeNaNFromPointCloud: 去除点云中的无效点（NaN点），并返回有效点的索引。
3.5 区域生长分割
  pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
  reg.setMinClusterSize (50);
  reg.setMaxClusterSize (1000000);
  reg.setSearchMethod (tree);
  reg.setNumberOfNeighbours (30);
  reg.setInputCloud (cloud);
  reg.setIndices (indices);
  reg.setInputNormals (normals);
  reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
  reg.setCurvatureThreshold (1.0);

  std::vector <pcl::PointIndices> clusters;
  reg.extract (clusters);
  • pcl::RegionGrowing: 区域生长分割器，用于将点云分割成多个簇。
    • setMinClusterSize: 设置最小簇的大小为50。
    • setMaxClusterSize: 设置最大簇的大小为1000000。
    • setSearchMethod: 设置搜索方法为KD树。
    • setNumberOfNeighbours: 设置每个点的邻居数量为30。
    • setInputCloud: 设置输入点云。
    • setIndices: 设置有效点的索引。
    • setInputNormals: 设置输入法线。
    • setSmoothnessThreshold: 设置平滑度阈值（3度转换为弧度）。
    • setCurvatureThreshold: 设置曲率阈值为1.0。
  • reg.extract: 执行区域生长分割，并将结果存储在 clusters 中。
3.6 输出分割结果
  std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
  std::cout << "First cluster has " << clusters[0].indices.size () << " points." << std::endl;
  std::cout << "These are the indices of the points of the initial" <<
    std::endl << "cloud that belong to the first cluster:" << std::endl;
  std::size_t counter = 0;
  while (counter < clusters[0].indices.size ())
  {
    std::cout << clusters[0].indices[counter] << ", ";
    counter++;
    if (counter % 10 == 0)
      std::cout << std::endl;
  }
  std::cout << std::endl;
  • 输出分割后的簇的数量。
  • 输出第一个簇中的点的数量。
  • 输出第一个簇中点的索引，每10个索引换行。
3.7 可视化分割结果
  pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud ();
  pcl::visualization::CloudViewer viewer ("Cluster viewer");
  viewer.showCloud(colored_cloud);
  while (!viewer.wasStopped ())
  {
  }

  return (0);
}
  • reg.getColoredCloud: 获取带有颜色信息的点云，不同簇的点被赋予不同的颜色。
  • pcl::visualization::CloudViewer: 创建一个点云查看器。
  • viewer.showCloud: 显示带有颜色信息的点云。
  • while (!viewer.wasStopped): 保持查看器窗口打开，直到用户关闭窗口。
总结

这段代码的主要功能是：

  1. 加载点云数据。
  2. 估计点云中每个点的法线。
  3. 使用区域生长算法对点云进行分割。
  4. 输出分割结果并可视化带有颜色信息的点云。

区域生长分割算法基于点云的法线和曲率信息，将点云分割成多个簇，每个簇代表一个平滑的表面区域。

PCL 区域生长分割【2024最新版】
点云侠的博客
07-25 40万+
区域生长算法原理介绍、代码实现以及一个具体实验场景的应用案例进一步实现将分割结果的分类保存至本地文件夹。最近一次更新时间为：2024年11月22日。代码在PCL1.14.1中测试通过，完善对算法的最新理解。
PCL 点云分割 区域生长算法分割
纵马踏花向自由
11-12 417
区域生长算法（Region Growing Algorithm）是一种基于点的局部特征（如法线、曲率、颜色等）进行点云分割的技术。它通过从一个种子点出发，检查其邻域中的点是否满足特定的生长条件（如法线方向相似、点之间的距离较小等），将邻域中的点加入到当前簇中，从而逐步扩展出一个完整的区域。这种方法特别适用于处理具有相似几何特征的点云区域，例如平面区域、曲面区域等。
PCL 区域生长分割（Segmentation_RegionGrowing）
xhm01291212的博客
09-12 657
对于分割建筑物或地面的各个平面，有较好的效果，工作中经常使用。3.关键函数（1）法向量夹角的阈值，超过这个夹角，即认为不在一个平面上（2）曲率的阈值，超过这个阈值，即认为不在一个平面上。
PCL学习笔记，区域生长分割(region growing segmentation)
jacke121的专栏
08-27 2674
在本博文中，我主要介绍如何在pcl::RegionGrowing类中调用区域增长算法。首先注意一点，这里是region growing segmentation，不是color-based region growing segmentation. 算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。 工作原理：首先需要明白，区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲..
PCL点云库——区域增长分割
fei_12138的博客
11-28 5823
区域增长分割 　　区域生长算法是利用了法线、曲率和颜色等信息来判断点云是否应该聚成一类。适用于特征均匀的连通目标。通过设定的约束条件并结合分割数据的融合需求，利用场景中物体的特征将不同的目标物体从场景中分割出来。PCL中调用区域生长分割类pcl::RegionGrowing，实现区域生长分割算法，算法的目标是按照平滑一致性约束条件合并足够近的点，因此算法的输出是一组集群，且每个集群上的点位于同一个光滑表面。该算法是一种基于点的法线角度差的分割，通过比较种子点与其邻域点之间的法线夹角，将小于平滑阈值(人为设定
PCL教程-点云分割之区域生长分割算法
热门推荐
DayDayUp
09-09 1万+
Inputs: Point cloud= Point normals= Points curvatures= Neighbour finding function Curvature threshold Angle threshold Initialize: Region list Available points list Algorithm: While is not emptydo Current re...
region_growing_segmentation.zip_pcl RegionGrowing_read_region_re
07-14
在这个项目"region_growing_segmentation.zip_pcl RegionGrowing_read_region_re"中，开发者使用了PCL（Point Cloud Library）1.7.1版本来实现三维点云的区域增长分割。PCL是一个开源库，专门用于处理三维点云数据，...
PCL 基于颜色的区域生长分割（Segmentation_RegionGrowingRGB）
xhm01291212的博客
09-12 565
1）聚类之间的色差小于色差阀值和并为一个聚类，且当前聚类中点的数量小于聚类点数量的与最近的聚类合并在一起。diffArea = 区域中所有点与点的颜色差异值累加和 / 区域中点对个数。1）当前种子点P和距离范围在邻域点之间色差小于色差阀值的点簇视为一个聚类。2）迭代进行步骤1），直到遍历完所有点云。相似，只是阈值从法线/曲率变为了颜色。（1）距离阈值，用于聚类相邻点搜索。如示例中的建筑物等。的点云块，得到结果点云。（3）两类区域颜色阈值。（1）原始RGB点云。
PCL点云分割：Region Growing Segmentation
AmbitiousRuralDog的博客
05-10 8527
背景：官方网站指导：http://www.pointclouds.org/documentation/tutorials/region_growing_segmentation.php#region-growing-segmentation
PCL区域生长分割算法
ost_csdn的博客
11-24 1875
1.介绍 本项目使用ubuntu16.04，ubuntu的其他版本应该也是可以的； 点云库PCL某某这本书其实是以官方的英文手册翻译成的，英文链接见以下地址： https://pcl.readthedocs.io/projects/tutorials/en/latest/region_growing_segmentation.html#region-growing-segmentation 但是想做相关的算法开发，只看书中的内容还是不够明白，只能找来官方文档读了，以下基本是翻译再加一些我自己的理解，
基于区域生长的图像分割
05-30
基于VS2013 opencv3.0 的区域生长的图像分割代码，代码中包含4领域和8领域
Region Growing - Segmentation：基于区域增长算法的分割代码-matlab开发
05-30
此代码根据所选像素（种子）的值及其所属的阈值区域对区域进行分段。 基于考虑四个相邻像素的区域生长算法。
使用区域增长算法进行分割
11-21
在pcl库1.7.1下 使用区域增长算法对点云进行分割
PCL之区域生长分割
ancy的博客
12-29 635
算法思想 首先依据点的曲率值对点进行排序，之所以排序，是因为区域生长算法是从曲率最小的点开始生长的，这个点就是初始种子点，初始种子点所在的区域即为最平滑的区域，从最平滑的区域开始生长可减少分割片段的总数，提高效率。 算法流程 设置一空的种子点序列和空的聚类数组，选好初始种子后，将其加入到种子点序列中，并搜索邻域点。对每一个邻域点，比较邻域点的法线与当前种子点的法线之间的夹角，小于平滑阀值的将当前点加入到当前区域。然后检测每一个邻域点的曲率值，小于曲率阀值的加入到种子点序列中。在进行种子点领域判断后，删
84.基于区域生长分割
twnkie的博客
08-13 475
第三次生长后的区域均值为6.9，按照生长阈值为2，第三次生长的像素取值范围应为[4.9,8.9]，周边已没有满足继续生长的像素点，到此我们停止生长。将生长后的区域标记为1，其他区域标记为0，最终的分割区域如下图所示。按照区域生长阈值为2，从像素值为9的种子点开始生长，因此生长的像素取值范围为[7,11]，生长后的区域像素均值为7.8，第一次生长后效果如下图所示。第二次生长后的区域均值为7.1，按照生长阈值为2，第三次生长的像素取值范围应为[5.1,9.1]，如下图所示，黄色部分为第三次生长的区域结果。
PCL中的区域生长分割(region growing segmentation)
aishuirenjia的博客
05-08 1万+
在本博文中，我主要介绍如何在pcl::RegionGrowing类中调用区域增长算法。首先注意一点，这里是region growing segmentation，不是color-based region growing segmentation.算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。工作原理：首先需要明...
区域生长分割 Region growing segmentation（一）
席小贱
11-30 4330
理论入门 首先要用各点的曲率值对点进行排序，因为一个区域要从它曲率最小值的点开始生长。因为从曲率最小点可以定位到平坦的区域，而从最平坦区域的增长可以减少分割区域的数量。 因此先对点云进行一下排序。在云中存在未标记（这个标记我认为是人工手动标记）的点之前，算法会选择具有最小曲率值的点并开始该区域的增长。此过程如下：       选择的点被添加到称为种子的集合中。 对于每个种子点...
PCL：官方程序 Region growing segmentation
m0_37957160的博客
03-03 436
区域增长分割（算法不是很懂，有特别明白的可以给我讲讲疑问部分？？？） 在本教程中，我们将学习如何将pcl:: regiongrow cla在用实现区域增长算法。该算法的目的是在平滑约束条件下，将足够接近的点进行归并。因此，该算法的输出是一组簇，每个簇是一组点，这些点被认为是同一光滑曲面的一部分。该算法的工作是基于各点法线夹角的比较。 理论基础： 让我们看看这个算法是如何工作的。 首先，它根...
PCL 基于颜色的区域生长分割
最新发布
12-27
### PCL 中基于颜色的区域生长分割 在 Point Cloud Library (PCL) 中，基于颜色的区域生长算法是一种用于从点云数据中提取不同对象的有效方法。该技术通过分析相邻点之间的几何距离以及色彩差异来识别并分隔不同的表面。 为了实现基于颜色的区域生长分割，在 C++ 或 Python API 下可以调用 `pcl::RegionGrowingRGB` 类[^1]。下面是一个简单的例子展示如何设置参数并对输入点云执行此操作： #### 设置环境与加载点云 ```cpp #include <pcl/segmentation/region_growing_rgb.h> // ...其他必要的头文件... int main(int argc, char** argv){ pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>); // 加载或创建点云... } ``` #### 初始化 Region Growing RGB 对象 ```cpp pcl::RegionGrowingRGB<pcl::PointXYZRGB> reg; reg.setInputCloud(cloud); reg.setMinClusterSize(50); // 设置最小聚类大小 reg.setMaxClusterSize(1000000); // 设置最大聚类大小 ``` #### 配置搜索半径和角度阈值 ```cpp reg.setSearchRadius(0.03f); // 定义邻居查询的最大范围 reg.setNumberOfNeighbours(30); // 考虑多少个最近邻作为候选集成员 reg.setColorImportanceFactor(0.8f);// 权衡颜色相似度的重要性 reg.setSmoothnessThreshold(3.0 / 180.0 * M_PI); // 平滑度门限（弧度） ``` #### 执行分割过程 ```cpp std::vector<pcl::PointIndices> clusters; reg.extract(clusters); for(const auto& cluster : clusters){ std::cout << "Cluster size: " << cluster.indices.size() << std::endl; } return 0; ``` 上述代码片段展示了怎样利用 PCL 库中的功能完成一次完整的基于颜色的区域生长分割流程。需要注意的是实际应用时可能还需要调整更多参数以适应具体场景需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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