基于欧式距离的分割, 是通过区分邻里关系远近得以完成的, 基于区域生长的分割, 本质上同样是借助区分邻里关系远近来达成的。点云数据提供了更高维度的数据, 所以有诸多信息能够提取获得。欧几里得算法把邻居之间距离当作判定标准, 区域生长算法利用了法线, 曲率, 颜色等信息来判断点云是否应当聚成为一类。1欧几里德算法具体的实现方法大致是寻觅于空间之中, 存在某特定点p10, 成功寻得距离其最近的n个点, 进而判定这n个点至p的距离, 把距离小于阈值r的点p12、p13、p14等置于类Q之内, 在Q除去p10的部分里寻觅得到一点p12, 重复步骤1次, 于Q除去p10、p12的部分寻得一点, 再次重复步骤1次,找出p22、p23、p24等, 全部放置于Q里, 当Q再也无法有新的点加入之时, 便完成搜索了。之所以点云老是成连片状, 极少数存在能于空中漂浮以此作区分。然而若合并该算法, 能够去应用诸多事物。诸如。半径滤波删除离群点采样一致找到桌面或者除去滤波然而, 一旦桌面被去除, 置于桌上的物体便自然而然地成为了一个个的浮空点云团, 进而能够直接运用欧几里德算法予以分割, 如此一来便可以提取出我们想要识别的事物。于此处而言, 我们能够运用提取平面, 借助聚类方法将平面去除, 进而展示剩余所有聚类的结果, 在此处即有关注我微信公众号的小伙伴向我求教, 称虽已把平面与各类非平面提取出来, 然而怎样方可将非平面的聚类对象予以可视化呈现呢?哈, 在最初阶段的时候, 我起先也原本是认为, 不存在例程能够去达成这样一种可视化的情形, 如果要说难度的话, 或许是比较困难的, 可是经过细心地一番思考之后, 被提取出来的那些聚类的对象, 它们都是各自独立地显示在和源文件相对来说保持不变的位置之上的缘故, 所以, 我们直接进行相加的操作, 就应当是能够实现那么回事儿的呢所以, 当时就没再多说什么多余的话, 便径直去编写程序了, 的确, 最终可视化呈现出来的结果, 就是我内心所渴望达成的那样一种结果。那么我们看一下我的代码吧#include #include #include #include #include #include #include #include #include #include #include /* 打开点云数据并对点云进行滤波重采样预处理然后采用平面分割模型对点云进行分割处理 提取出点云中所有在平面上的点集并将其存盘*/ int main (int argc, char** argv) { // 读取文件 pcl::PCDReader reader; pcl::PointCloud::Ptr add_cloud(new pcl::PointCloud); pcl::PointCloud::Ptr cloud (new pcl::PointCloud), cloud_f (new pcl::PointCloud); reader.read (table_scene_lms400.pcd, *cloud); std::cout PointCloud before filtering has: cloud-points.size () data points. std::endl; // 下采样体素叶子大小为0.01 pcl::VoxelGrid vg; pcl::PointCloud::Ptr cloud_filtered (new pcl::PointCloud); vg.setInputCloud (cloud); vg.setLeafSize (0.01f, 0.01f, 0.01f); vg.filter (*cloud_filtered); std::cout PointCloud after filtering has: cloud_filtered-points.size () data points. std::endl; //创建平面模型分割的对象并设置参数 pcl::SACSegmentation seg; pcl::PointIndices::Ptr inliers (new pcl::PointIndices); //设置聚类的内点索引 pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients); //平面模型的因子 pcl::PointCloud::Ptr cloud_plane (new pcl::PointCloud ()); pcl::PCDWriter writer; seg.setOptimizeCoefficients (true); seg.setModelType (pcl::SACMODEL_PLANE); //分割模型 seg.setMethodType (pcl::SAC_RANSAC); //随机参数估计方法 seg.setMaxIterations (100); //最大的迭代的次数 seg.setDistanceThreshold (0.02); //设置阀值 int i0, nr_points (int) cloud_filtered-points.size ();//剩余点云的数量 while (cloud_filtered-points.size () 0.3 * nr_points) { // 从剩余点云中再分割出最大的平面分量 因为我们要处理的点云的数据是两个平面的存在的 seg.setInputCloud (cloud_filtered); seg.segment (*inliers, *coefficients); if (inliers-indices.size () 0) //如果内点的数量已经等于0就说明没有 { std::cout Could not estimate a planar model for the given dataset. std::endl; break; } // 从输入的点云中提取平面模型的内点 pcl::ExtractIndices extract; extract.setInputCloud (cloud_filtered); extract.setIndices (inliers); //提取内点的索引并存储在其中 extract.setNegative (false); // 得到与平面表面相关联的点云数据 extract.filter (*cloud_plane); std::cout PointCloud representing the planar component: cloud_plane-points.size () data points. std::endl; // 移去平面局内点提取剩余点云 extract.setNegative (true); extract.filter (*cloud_f); *cloud_filtered *cloud_f; } // 创建用于提取搜索方法的kdtree树对象 pcl::search::KdTree::Ptr tree (new pcl::search::KdTree); tree-setInputCloud (cloud_filtered); std::vector cluster_indices; pcl::EuclideanClusterExtraction ec; //欧式聚类对象 ec.setClusterTolerance (0.02); // 设置近邻搜索的搜索半径为2cm ec.setMinClusterSize (100); //设置一个聚类需要的最少的点数目为100 ec.setMaxClusterSize (25000); //设置一个聚类需要的最大点数目为25000 ec.setSearchMethod (tree); //设置点云的搜索机制 ec.setInputCloud (cloud_filtered); ec.extract (cluster_indices); //从点云中提取聚类并将点云索引保存在cluster_indices中 //迭代访问点云索引cluster_indices,直到分割处所有聚类 int j 0; for (std::vector::const_iterator it cluster_indices.begin (); it ! cluster_indices.end (); it) { //迭代容器中的点云的索引并且分开保存索引的点云 pcl::PointCloud::Ptr cloud_cluster (new pcl::PointCloud); for (std::vector::const_iterator pit it-indices.begin (); pit ! it-indices.end (); pit) //设置保存点云的属性问题 cloud_cluster-points.push_back (cloud_filtered-points[*pit]); //* cloud_cluster-width cloud_cluster-points.size (); cloud_cluster-height 1; cloud_cluster-is_dense true; std::cout PointCloud representing the Cluster: cloud_cluster-points.size () data points. std::endl; std::stringstream ss; ss cloud_cluster_ j .pcd; writer.write (ss.str (), *cloud_cluster, false); //* //————————————以上就是实现所有的聚类的步骤并且保存了 ////以下就是我为了回答网友提问解决可视化除了平面以后的可视化的代码也就两行 同时你也可以在这里对点云的颜色进行设置就不具体介绍 j; *add_cloud*cloud_cluster; pcl::io::savePCDFileASCII(add_cloud.pcd,*add_cloud); } return (0); }编译生成可执行文件后结果如下那么我们查看以下源文件可视化的结果再对我们聚类完结之后的情况进行可视化呈现, 这里面除去平面性的可视化呈现所得到的结果, 光是从那儿看, 就能够察觉这种效果真的着实是非常显著明显的。当然进行一下总结, 在实际应用期间, 或许没那般轻松, 其原因在于, 我们得依照实际点云的大小去设置相关参数, 要是参数有误, 就不太能够达成当下的效果。那么, 针对于实际运用里参数相应的设置而言, 是应该有着经验才行的吧, 在下一个时期的时候, 会对别的分割方式予以介绍。