PCL 【点云分割】

最新推荐文章于 2025-06-21 08:41:50 发布
原创 最新推荐文章于 2025-06-21 08:41:50 发布 · 6.7k 阅读 · 149 ·
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：

#PCL #点云平面模型分割 #圆柱体模型分割 #欧式聚类提取 #基于区域生长的分割

一、平面模型分割

1、分割代码

//平面分割代码
#include <pcl/ModelCoefficients.h>//模型系数相关头文件
#include <pcl/sample_consensus/method_types.h>//模型定义头文件
#include <pcl/sample_consensus/model_types.h>//随机参数估计方法头文件
#include <pcl/segmentation/sac_segmentation.h>//基于采样一致性分割的类的头文件
pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);//创建分割时所需要的模型系数对象coefficients以及存储内点的点索引集合对象
pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
//创建分割对象
  pcl::SACSegmentation<pcl::PointXYZ> seg;
 //可选设置,设置模型系数需要优化
  seg.setOptimizeCoefficients (true);
//必须设置，设置分割的模型类型、所用的随机参数估计方法、距离阈值、输入点云
  seg.setModelType (pcl::SACMODEL_PLANE);
  seg.setMethodType (pcl::SAC_RANSAC);
  seg.setDistanceThreshold (0.01);//距离阈值，包括0.01
  seg.setInputCloud (cloud.makeShared ());
  seg.segment (*inliers, *coefficients);//分割，存储分割结果到点集合inliers及存储平面模型的系数coefficients

2、完整代码

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

#include <pcl/visualization/pcl_visualizer.h>//可视化头文件
int
main (int argc, char** argv)
{
  pcl::PointCloud<pcl::PointXYZ> cloud;
//填充点云数据
cloud.width  = 15;
  cloud.height = 1;
  cloud.points.resize (cloud.width * cloud.height);
//生成数据
for (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,使其偏离z=1的平面
cloud.points[0].z = 2.0;
cloud.points[3].z = -2.0;
cloud.points[6].z = 4.0;
cloud.points[7].z = 1.01;
cloud.points[8].z = 1.005;
  std::cerr << "Point cloud data: " << cloud.points.size () <<" points" << std::endl;
for (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);//创建分割时所需要的模型系数对象coefficients以及存储内点的点索引集合对象
pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
//创建分割对象
  pcl::SACSegmentation<pcl::PointXYZ> seg;
 //可选设置,设置模型系数需要优化
  seg.setOptimizeCoefficients (true);
//必须设置，设置分割的模型类型、所用的随机参数估计方法、距离阈值、输入点云
  seg.setModelType (pcl::SACMODEL_PLANE);
  seg.setMethodType (pcl::SAC_RANSAC);
  seg.setDistanceThreshold (0.01);//距离阈值，包括0.01
  seg.setInputCloud (cloud.makeShared ());
  seg.segment (*inliers, *coefficients);//分割，存储分割结果到点集合inliers及存储平面模型的系数coefficients
if (inliers->indices.size () == 0)
  {
    PCL_ERROR ("Could not estimate a planar model for the given dataset.");
return (-1);
  }
//输出平面模型的系数 a,b,c,d
  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;
  //输出点集合的坐标
for (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;

//可视化
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
//左边窗口显示输入的点云（待拟合）
int v1(0);
viewer->createViewPort(0,0,0.5,1,v1);
viewer->setBackgroundColor(0,0,0,v1);
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_in(cloud.makeShared(),255,0,0);
viewer->addPointCloud<pcl::PointXYZ>(cloud.makeShared(),color_in,"cloud_in",v1);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,9,"cloud_in",v1);

//右边的窗口显示拟合之后的点云
int v2(0);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out(new pcl::PointCloud<pcl::PointXYZ>);//存放最后拟合好的平面
cloud_out->width = inliers->indices.size();
cloud_out->height = 1;
cloud_out->is_dense = false;
cloud_out->resize(cloud_out->height * cloud_out->width);
for(size_t i=0;i<inliers->indices.size();i++)
{
    cloud_out->points[i].x = cloud.points[inliers->indices[i]].x;
    cloud_out->points[i].y = cloud.points[inliers->indices[i]].y;
    cloud_out->points[i].z = cloud.points[inliers->indices[i]].z;
}
std::cout<<"convert succeed!"<<std::endl;
viewer->createViewPort(0.5,0,1,1,v2);
viewer->setBackgroundColor(255,255,255,v2);
viewer->addPointCloud<pcl::PointXYZ>(cloud_out,"cloud_out",v2);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR,0,255,0,"cloud_out",v2);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,9,"cloud_out",v2);

while (!viewer->wasStopped())
{
    viewer->spinOnce();
}
return (0);
}

3、可视化 

 

 

二、圆柱体模型分割提取

1、完整代码（不太懂，和之前的从点云中提取一个子集流程基本相同）

#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>
#include <pcl/visualization/pcl_visualizer.h>//可视化相关头文件

typedef pcl::PointXYZ PointT;

int
main (int argc, char** argv)
{
  // All the objects needed
  pcl::PCDReader reader;//点云读入对象
  pcl::PassThrough<PointT> pass;//直通滤波器对象
  pcl::NormalEstimation<PointT, pcl::Normal> ne;//法线估计对象
  pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg; //分割对象
  pcl::PCDWriter writer;//写对象
  pcl::ExtractIndices<PointT> extract;//点提取对象
  pcl::ExtractIndices<pcl::Normal> extract_normals;//法线提取对象
  pcl::search::KdTree<PointT>::Ptr tree (new pcl::search::KdTree<PointT> ());//搜索方式对象

  // Datasets
  pcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PointT>);
  pcl::PointCloud<PointT>::Ptr cloud_filtered (new pcl::PointCloud<PointT>);
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
  pcl::PointCloud<PointT>::Ptr cloud_filtered2 (new pcl::PointCloud<PointT>);
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals2 (new pcl::PointCloud<pcl::Normal>);
  pcl::ModelCoefficients::Ptr coefficients_plane (new pcl::ModelCoefficients), coefficients_cylinder (new pcl::ModelCoefficients);
  pcl::PointIndices::Ptr inliers_plane (new pcl::PointIndices), inliers_cylinder (new pcl::PointIndices);//一个指向索引的指针

  // Read in the cloud data
  reader.read ("table_scene_mug_stereo_textured.pcd", *cloud);
  std::cerr << "PointCloud has: " << cloud->points.size () << " data points." << std::endl;

  // Build a passthrough filter to remove spurious NaNs
  //对cloud的z fields进行滤波，剔除0～1.5之外的点
  pass.setInputCloud (cloud);//设置输入点云
  pass.setFilterFieldName ("z");//设置滤波的field
  pass.setFilterLimits (0, 1.5);//滤波范围
  pass.filter (*cloud_filtered);//滤波结果存放
  std::cerr << "PointCloud after filtering has: " << cloud_filtered->points.size () << " data points." << std::endl;

  // Estimate point normals
  ne.setSearchMethod (tree);//搜索方式
  ne.setInputCloud (cloud_filtered);//输入点云为直通滤波器的结果
  ne.setKSearch (50);//选择最近邻的50个点进行法线估计
  ne.compute (*cloud_normals);//法线的计算结果存放至cloud_normals

  // Create the segmentation object for the planar model and set all the parameters
  seg.setOpti
最低0.47元/天 解锁文章

200万优质内容无限畅学
PCL 点云分割 Ransac分割多条直线
m0_51204289的博客
11-17 609
PCL RANSAC拟合分割多条直线
PCL 点云分割 分割多个平面
m0_51204289的博客
11-17 390
PCL 点云分割 分割多个平面
PCL点云分割（3）
weixin_34279579的博客
09-12 606
（1）Euclidean分割 欧几里德分割法是最简单的。检查两点之间的距离。如果小于阈值，则两者被认为属于同一簇。它的工作原理就像一个洪水填充算法：在点云中的一个点被“标记”则表示为选择在一个的集群中。然后，它像病毒一样扩散到其他足够近的点，从这些点到更多点，直到没有新的添加为止。这样，就是一个初始化的新的群集，并且该过程将以剩余的无标记点再次进行。 在PCL中，Euclidean分割法如下： ...
PCL--pcl_segmentation 详解
最新发布
weixin_45590420的博客
06-21 608
PCL Segmentation模块解析 核心功能：点云分割算法库，支持几何形状拟合（如平面、圆柱）和聚类分割，应用于工业识别、自动驾驶等领域。 关键算法： RANSAC模型拟合：适用于几何形状分割（平面方程示例代码）。 欧几里得聚类：基于距离阈值分离物体（需KD树加速）。 高级方法：区域生长（依赖法线）和超体素分割（视觉一致性）。 工程优化： 参数调优：RANSAC距离阈值（0.01-0.1m）、聚类容差（0.02-0.5m）。 性能技巧：KD树复用、并行化处理。 级联流程：如先分割地面再聚类物体。 典型
pcl 点云分割
生活如此美好，致敬每一个热爱“热爱”的人！
10-09 2443
点云分割point cloud segmentation： 根据空间，几何和纹理等特征点进行划分，是同一划分内的点云拥有相似的特征。点云分割的目的是分块，从而便于单独处理。将一些平面、曲面等等进行分割。 点云分类point cloud classification： 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集，同一个点云集具有相似或相同的属性，例如地面，树木，人等。 也叫做点云语义分割。 点云分割只是物体识别与分类的其中一个步骤，原始点云可以通过经典的分割方法来进行分割，也
PCL 点云分割
u011489887的专栏
03-15 723
pcl 点云分割
PCL 点云分割 平面模型分割
纵马踏花向自由
11-11 206
本文介绍了如何利用PCL库中的RANSAC算法对点云数据进行平面模型分割。平面分割是点云处理中常用的操作，可以有效地提取出指定的平面部分，为后续的几何分析和特征提取提供帮助。
【2025最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
01-18 61万+
PCL学习目录。博客长期更新，最近一次更新时间为：2025年7月20日。
PCL 点云分割 区域生长算法分割
纵马踏花向自由
11-12 257
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 点云分割 基于LCCP算法的分割
纵马踏花向自由
11-12 327
本篇博客介绍如何使用PCL库中的LCCP（Locally Convex Connected Patches）算法对点云数据进行分割。LCCP算法是一种基于超体素（Supervoxel）的分割方法，它通过检测点云中局部区域的凹凸特征，将点云分割成多个语义上相连的区域。本文将从超体素分割的原理与实现开始，逐步讲解LCCP分割的流程，并提供完整的代码实现。
【PCL】PCL点云分割（一）
shanhedian2013的博客
10-14 685
点云分割是根据点云的空间、几何和纹理等特征将点云划分为不同的部分，使得同一部分内的点云具有相似的特征。点云分割又分为区域提取、线面提取、语义分割与聚类等。点云分割在许多应用中都是非常重要的，例如逆向工程、CAD建模、目标检测等。平面模型分割：这是PCL中最常用的点云分割方法之一。它通过识别点云中的平面模型，将点云分割为不同的平面区域。圆柱模型分割：这种方法用于识别点云中的圆柱体模型，并将点云分割为不同的圆柱体区域。欧几里得聚类分割。
pcl 点云分割实现
weixin_64578084的博客
12-02 290
【代码】pcl 点云分割实现。
PCL 点云分割 基于法线微分分割
纵马踏花向自由
11-12 162
在3D点云处理中，点云分割是一个至关重要的步骤。基于法线微分（Difference of Normals, DoN）的方法是一种常见的点云分割方法，它利用点云的法线信息进行特征提取，并根据这些特征对点云进行有效的聚类和分割。本文将详细介绍基于法线微分的点云分割方法，并提供实现该方法的具体步骤和代码。
基于PCL的点云分割算法
LpmShell的博客
09-27 153
点云分割是计算机视觉中的一个重要任务，旨在将点云数据划分成具有语义意义的子集。PCL（Point Cloud Library）是一个强大的开源库，提供了丰富的点云处理算法，其中包括了多种点云分割方法。当然，PCL还提供了其他多种点云分割方法，如基于欧几里得聚类、基于区域的生长等，可以根据具体需求选择合适的方法进行点云处理。然后，我们将点云数据设置为输入，并创建一个Kd树结构用于法线估计的搜索。本文介绍了基于PCL的点云分割算法，并给出了相应的源代码实现。函数计算点云的法线，并遍历输出每个点的法线信息。
【PCL】Segmentation 模块—— 基于图割算法的点云分割（Min-Cut Based Segmentation）
old_power的博客
01-22 429
PCL（Point Cloud Library）中的 **Min-Cut Based Segmentation** 是一种基于图割（Graph Cut）算法的点云分割方法，用于将点云数据分割为前景和背景。该方法通过构建图模型，利用最小割（Min-Cut）算法找到最优分割边界。
三维重构（9）：PCL点云分割
TiffanyXYf的博客
02-25 2267
点云分割是根据空间、几何和纹理特征对点云进行划分，使得同一划分内的点云拥有相似的特征。PCL实现的分割算法是鲁棒性比较好的聚类分割 和基于随机采样一致性的分割。 聚类分割 点云库PCL学习教程：在聚类方法中每个点都与一个特征向量相关联，特征向量又包含了若干个几何或者辐射度量值。然后在特征空间中通过聚类的方法（如K-means，最大似然或模糊聚类）分割点云数据。聚类分割基本原理：考察mmm个数据点，...
【PCL】（十九）平面模型分割点云
weixin_44378835的博客
03-06 477
以下代码实现使用RANSAC平面模型将点云中的平面分割出来。
pcl点云分割评价指标
02-20
PCL（Point Cloud Library）是一个开源的点云处理库用于处理和分析三维点云数据。在点云分割任务中，评价指标用于衡量算法的性能和准确度。以下是几个常用的PCL点云分割评价指标： 1. 点云分割准确率（Segmentation Accuracy）：该指标用于评估算法对点云数据进行正确分割的能力。准确率可以通过计算正确分割的点数与总点数之比来得到。 2. 点云分割召回率（Segmentation Recall）：该指标用于评估算法对点云数据进行完整分割的能力。召回率可以通过计算正确分割的点数与真实分割点数之比来得到。 3. 平均欠分割误差（Under-segmentation Error）：该指标用于评估算法对点云数据进行过度分割的程度。欠分割误差可以通过计算未正确分割的点数与总点数之比来得到。 4. 平均过分割误差（Over-segmentation Error）：该指标用于评估算法对点云数据进行不足分割的程度。过分割误差可以通过计算错误分割的点数与总点数之比来得到。 5. 边界正确率（Boundary Precision）：该指标用于评估算法对点云数据中物体边界的准确度。边界正确率可以通过计算正确分割的边界点数与总边界点数之比来得到。 6. 边界召回率（Boundary Recall）：该指标用于评估算法对点云数据中物体边界的完整性。边界召回率可以通过计算正确分割的边界点数与真实边界点数之比来得到。 以上是一些常见的PCL点云分割评价指标，可以根据具体任务和需求选择适合的指标进行评估。
评论 3
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

打赏作者

Tech沉思录

点赞加投币，感谢您的资瓷~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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