成对连接点云分割

点云实验室lab

已于 2022-08-02 13:04:45 修改

阅读量421

点赞数

CC 4.0 BY-SA版权

分类专栏：点云算法源码及解析文章标签：聚类分割点云处理

于 2022-08-02 13:00:20 首次发布

本文链接：https://blog.youkuaiyun.com/qq_32867925/article/details/126119998

点云算法源码及解析专栏收录该内容

38 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

本文介绍了成对连接点云分割的原理，包括点特征计算、成对连接构建、聚类结果获取及合并过程。点云分割效果在数据一和数据二中展示，虽然效率尚可，但面面交界处点的处理有待优化。文章还提到了环境配置，特别是OpenCV的使用，并给出了主函数的简要说明及资料下载链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、原理介绍

成对连接点云分割是对点云进行分割，其将点云进行聚类，基本将点分成平面点、单个点。其流程包括：
（1）点特征计算：平整度
（2）成对连接构建：使用点及其近邻点
（3）使用成对连接获取初始聚类结果
（4）合并过程合并初始结果

2、点云分割效果

2.1、数据一：

在这里插入图片描述

2.1、数据二：

在这里插入图片描述

从提取的时间上看，效率基本还可以，但可以发现对于面面交界处点效果不是那么理想，仍需要进一步优化。

3、环境配置

配置OpenCV，具体配置环境可参考博客：
https://blog.youkuaiyun.com/qq_32867925/article/details/106387252

4、主函数介绍

在这里插入代码片void main()
{
	clock_t t1, t2;
	t1 = clock();
	std::string fileData = "..\\alidar.txt";
	std::string fileResult = "..\\alidar_result.txt";

	// step1: read in data
	PointCloud<double> pointData;
	readDataFromFile(fileData, pointData);

	// step2: build kd-tree
	int k = 100;
	std::vector<PCAInfo> pcaInfos;
	PCAFunctions pcaer;
	pcaer.PCA(pointData, 100, pcaInfos);//近邻点个数

	// step3: run point segmentation algorithm
	int algorithm = 0;
	std::vector<std::vector<int>> clusters;

	// Algorithm1: segmentation via PLinkage based clustering
	if (algorithm == 0) 
	{
		double theta = 90.0 / 180.0 * CV_PI;
		PLANE_MODE planeMode = SURFACE;               // PLANE  SURFACE
		ClusterGrowPLinkage segmenter(k, theta, planeMode);
		segmenter.setData(pointData, pcaInfos);
		segmenter.run(clusters);
	}
	// Algorithm2: segmentation via normal angle similarity
	else if (algorithm == 1)
	{
		double theta = 5.0 / 180.0 * CV_PI;
		double percent = 0.75;
		PointGrowAngleOnly segmenter(theta, percent);
		segmenter.setData(pointData, pcaInfos);
		segmenter.run(clusters);
	}
	// Algorithm3: segmentation via normal angle similarity and point-plane distance
	else
	{
		double theta = 10.0 / 180.0 * CV_PI;
		int RMin = 10;  // minimal number of points per cluster
		PointGrowAngleDis segmenter(theta, RMin);
		segmenter.setData(pointData, pcaInfos);
		segmenter.run(clusters);
	}
	
	// step4: write out result
	writeOutClusters(fileResult, pointData, clusters);
	t2 = clock();
	cout << "time consuming is " << (t2 - t1) / 1000 << "s" << endl;
	system("pause");
}