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

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

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。