1、什么是点云分割

顾名思义，点云分割就是将一团点云按照不同需求进行分割处理，一般是用在识别或测量任务的点云预处理步骤。点云分割一般可分为两种。
①是已知数学模型的传统点云分割方法，例如平面模型，球面模型，圆柱面模型等。
②是基于深度学习模型的点云分割，常用于自动驾驶中车体建筑物模型的识别。
本文只讲解如何使用PCL进行第一种已知点云模型的分割方法。我们将学习如何对一组点进行简单的平面分割，即在点云中找到支持平面模型的所有点。

2、如何使用PCL库对将点云中平面模型分割出来

废话不多说，直接看官方代码及注释，应用起来非常简单。

#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>int
main ()
{//创建点云对象指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 生成填充符合平面模型的随机点云cloud->width  = 15;cloud->height = 1;cloud->points.resize (cloud->width * cloud->height);for (auto& point: *cloud){point.x = 1024 * rand () / (RAND_MAX + 1.0f);point.y = 1024 * rand () / (RAND_MAX + 1.0f);point.z = 1.0;}// 并添加一些异常值用来测试(*cloud)[0].z = 2.0;(*cloud)[3].z = -2.0;(*cloud)[6].z = 4.0;// 输出生成的点云std::cerr << "Point cloud data: " << cloud->size () << " points" << std::endl;for (const auto& point: *cloud)std::cerr << "    " << point.x << " "<< point.y << " "<< point.z << std::endl;
/*
* 创建SACSegmentation对象并设置模型和方法类型。这也是我们指定距离阈值的地方，它决定了一
* 个点必须离模型多近才能被认为是内层点。在本教程中，将使用RANSAC方法(pcl::SAC_RANSAC)
* 作为选择的鲁棒估计器。我们的决定是由于RANSAC的简单性(其他健壮的估计器使用它作为基础，
* 并添加了额外的、更复杂的概念)。有关RANSAC的更多信息，请查看之前的博文介绍。
*/// 创建模型系数对象指针用于输出分割后的平面模型系数pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);// 创建内层点云索引指针pcl::PointIndices::Ptr inliers (new pcl::PointIndices);// 创建点云分割对象pcl::SACSegmentation<pcl::PointXYZ> seg;// 设置点云分割优化参数：trueseg.setOptimizeCoefficients (true);// 设置模型类型：平面seg.setModelType (pcl::SACMODEL_PLANE);// 设置筛选方法类型：RANSACseg.setMethodType (pcl::SAC_RANSAC);// 设置距离阈值seg.setDistanceThreshold (0.01);// 向分割器中填入点云seg.setInputCloud (cloud);// 开始分割（输出为指向内点的指针，分割出的平面模型系数）seg.segment (*inliers, *coefficients);if (inliers->indices.size () == 0){PCL_ERROR ("Could not estimate a planar model for the given dataset.\n");return (-1);}// 输出平面模型系数std::cerr << "Model coefficients: " << coefficients->values[0] << " " << coefficients->values[1] << " "<< coefficients->values[2] << " " << coefficients->values[3] << std::endl;// 输出分割后的内点std::cerr << "Model inliers: " << inliers->indices.size () << std::endl;for (const auto& idx: inliers->indices)std::cerr << idx << "    " << cloud->points[idx].x << " "<< cloud->points[idx].y << " "<< cloud->points[idx].z << std::endl;return (0);
}

除了可以分割平面，PCL还支如下模型的分割，具体操作方式大同小异。
PCL支持的分割模型：
SACMODEL_PLANE ：平面模型，四个系数是它的海森范式形式:[normal_x normal_y normal_z d]
SACMODEL_LINE : 直线模型，六个系数是直线上一点坐标和法向组成。
SACMODEL_CIRCLE2D ：用于确定平面中的2D圆。圆的三个系数由圆心和半径给出。
SACMODEL_CIRCLE3D ：用于确定平面中的3D圆。圆的七个系数由圆心、半径和法线给出。
SACMODEL_SPHERE：用于确定球体模型。球体的四个系数由其三维中心和半径给出。
SACMODEL_CYLINDER：用于确定圆柱面模型。圆柱的七个系数由其轴上的一点、轴方向和半径给出。
SACMODEL_CONE：用于确定锥模型。圆锥的七个系数由它的顶点、轴方向和开角给出。
除了以常这些常用的模型以外，还支持平行线，平行面之类的，可以点击这里查看更多。

PCL支持的迭代估计筛选器：
SAC_RANSAC - 随机抽样一致，最简单
SAC_LMEDS - Least Median of Squares
SAC_MSAC - M-Estimator SAmple Consensus
SAC_RRANSAC - Randomized RANSAC
SAC_RMSAC - Randomized MSAC
SAC_MLESAC - Maximum LikeLihood Estimation SAmple Consensus
SAC_PROSAC - PROgressive SAmple Consensus
默认情况下，如果不熟悉上面的大多数估计器以及它们的操作方式，可以使用SAC_RANSAC来测试。
有关RANSAC可以查看维基百科：https://en.wikipedia.org/wiki/RANSAC
或者查看之前的博文：【PCL自学：RANSAC】如何使用PCL随机一致性模型

【博主简介】
斯坦福的兔子，男，天津大学机械工程工学硕士。毕业至今从事光学三维成像及点云处理相关工作。因工作中使用的三维处理库为公司内部库，不具有普遍适用性，遂自学开源PCL库及其相关数学知识以备使用。谨此将自学过程与君共享。
博主才疏学浅，尚不具有指导能力，如有问题还请各位在评论处留言供大家共同讨论。

【PCL自学：Segmentation1】基于PCL的点云分割：平面模型分割相关推荐

PCL 点云分割与分类 Segmentation RANSAC随机采样一致性平面模型分割欧氏距离分割区域聚类分割算法最小分割算法超体聚类渐进式形态学滤波器
点云分割博文末尾支持二维码赞赏哦 _ 点云分割是根据空间,几何和纹理等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,点云的有效分割往往是许多应用的前提, 例如逆向工作,CAD领域对零件的 ...
【PCL自学：Segmentation3】基于PCL的点云分割：区域增长分割
基于PCL的点云区域增长分割一.什么是区域增长分割二.区域增长分割原理剖析三.区域增长分割示例代码一.什么是区域增长分割在本文中,我们将学习如何使用pcl:: regiongrow类中实 ...
【PCL自学：Recognition 1】基于对应分组算法的三维物体识别
PCL Recognition模块:基于对应分组的三维物体识别一.初识Recognition点云识别模块二.基于对应分组算法识别的实例代码及分析三.三维物体识别的可能对象验证及代码分析代码效果 ...
【PCL自学：ocTree】八叉树（octree）的原理及应用案例(点云压缩，搜索，空间变化)
PCL中八叉树(octree)的原理及应用案例一.什么是八叉树ocTree? 1.八叉树原理二.八叉树应用案例 1.点云压缩 2.用八叉树进行空间划分和搜索操作 3.无序点云数据的空间变化检测一 ...
29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）
0 引言最近项目中用到了基于PCL开发的基于平面的点云和CAD模型的配准算法,点云平面提取采用的算法如下. 1 基于PCL的点云平面分割拟合算法 2 参数及其意义介绍 (1)点云下采样 1. 参数: ...
基于PCL库的通过ICP匹配多幅点云方法
基于PCL库的通过ICP匹配多幅点云方法前言 Code Result 前言 PCL库中有很多配准的方式,主要都是基于ICP ICP算法最初由Besl和Mckey提出,是一种基于轮廓特征的点配准方法. ...
PCL入门系列 —— NormalEstimation、NormalEstimationOMP 基于邻域的点云法线估计
PCL入门系列 -- NormalEstimation.NormalEstimationOMP 基于邻域的点云法线估计前言程序说明输出结果代码示例总结前言随着工业自动化.智能化的不断推进 ...
【PCL自学：Filtering】PCL中的各类滤波器介绍与使用 (持续更新)
PCL_filter模块中各类滤波器目录一.直通滤波器(PassThrough):用于阈值滤除 1.直通滤波器介绍 2.示例代码二.体素滤波器(VoxelGrid filter):用于下采样 1. ...
【PCL自学:Feature3】PFH点特征直方图的概念和使用 (持续更新)
一.点特征直方图(PFH)描述子介绍 Point Feature Histograms (PFH) 称为点特征直方图. 随着点特征的研究不断深入,利用点周围的邻近点估计表面法向和曲率的基本操作 ...

【PCL自学：Segmentation1】基于PCL的点云分割：平面模型分割

基于PCL的点云平面模型分割

1、什么是点云分割

2、如何使用PCL库对将点云中平面模型分割出来

【PCL自学：Segmentation1】基于PCL的点云分割：平面模型分割相关推荐

最新文章

热门文章