原文链接：Region growing segmentation

本教程使用到的点云数据：source files

在本篇教程中，我们将学习如何使用由pcl::RegionGrowing类实现的区域生长算法。该算法的目的是合并在平滑约束条件下足够接近的点。因此，该算法的输出数据结构是由聚类组成的数组，其中每个聚类都是被认为是同一光滑表面的一部分的点的集合。该算法的工作原理（光滑度的计算）是基于两点法线之间的角度比较。

目录

基本原理

算法伪代码

输入

初始化

算法实现

程序代码

代码分析

实验结果

 其他数据结果

基本原理

首先，它根据点的曲率值对点进行排序。需要这样做是因为区域从曲率最小的点开始增长。这样做的原因是曲率最小的点位于平坦区域(从最平坦区域生长可以减少段的总数)。

我们有了分类过的云。直到云中没有未标记点时，算法选取曲率值最小的点，开始区域的增长。这个过程如下所示：

• 选中的点被添加到名为种子的集合中。
• 对于每一个种子点，找到它的邻近点：
  • 算出每个相邻点的法线和当前种子点的法线之间的角度，如果角度小于阈值，则将当前点添加到当前区域。
  • 然后计算每个邻居点的曲率值，如果曲率小于阈值，那么这个点被添加到种子中。
  • 将当前的种子从种子列表中移除。

如果种子列表变成空的，这意味着该区域生长已完成，继续重复上述过程。

区域生长算法： 将具有相似性的点云集合起来构成区域。
首先对每个需要分割的区域找出一个种子点作为生长的起点，然后将种子点周围邻域中与种子有相同或 相似性质的点合并到种子像素所在的区域中。而新的点继续作为种子向四周生长，直到再没有满足条件 的像素可以包括进来，一个区域就生长而成了。
算法流程：

1. 计算法线normal 和曲率curvatures，依据曲率升序 排序；
2. 选择曲率最低的为初始种子点，种子周围的临近点和 种子点云相比较；
3. 设置法线夹角阈值，搜索当前种子点的邻域点，计算邻域点的法线与当前种子点的法线之间的夹角，小于阈值的邻域点加入到当前区域；
4. 设置曲率阈值，曲率是否足够小（表面处在同一个弯曲程度），检查每一个邻域点的曲率，小于曲率阈值的邻域点加入到种子点序列中，并删除当前种子点，以新的种子点继续生长；
5. 如果满足3，4则该点可用做种子点;
6. 如果只满足3，则归类而不做种子;
7. 重复进行以上生长过程，直到种子点序列被清空。此时，一个区域生长完成，并将其加入到聚类数组中；
8. 对剩余点重复进行以上步骤，直到遍历完所有点。

算法伪代码

输入

• Point cloud = 
• Point normals = 
• Points curvatures = 
• Neighbour finding function 
• Curvature threshold 
• Angle threshold 

初始化

区域列表置为空： Region list 

可用的点云列表：Available points list 

算法实现

程序代码

#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/passthrough.h> #include <pcl/segmentation/region_growing.h> #include <pcl/console/print.h> #include <pcl/console/parse.h> #include <pcl/console/time.h> #include <windows.h> #include <stdio.h> #include <psapi.h> void PrintMemoryInfo( ) { HANDLE hProcess; PROCESS_MEMORY_COUNTERS pmc; hProcess=GetCurrentProcess(); printf( "\nProcess ID: %u\n", hProcess ); // Print information about the memory usage of the process. //输出进程使用的内存信息 if (NULL == hProcess) return; if ( GetProcessMemoryInfo( hProcess, &pmc, sizeof(pmc)) ) { printf( "\tPageFaultCount: 0x%08X\n", pmc.PageFaultCount ); printf( "\tPeakWorkingSetSize: 0x%08X\n", pmc.PeakWorkingSetSize ); printf( "\tWorkingSetSize: 0x%08X\n", pmc.WorkingSetSize ); printf( "\tQuotaPeakPagedPoolUsage: 0x%08X\n", pmc.QuotaPeakPagedPoolUsage ); printf( "\tQuotaPagedPoolUsage: 0x%08X\n", pmc.QuotaPagedPoolUsage ); printf( "\tQuotaPeakNonPagedPoolUsage: 0x%08X\n", pmc.QuotaPeakNonPagedPoolUsage ); printf( "\tQuotaNonPagedPoolUsage: 0x%08X\n", pmc.QuotaNonPagedPoolUsage ); printf( "\tPagefileUsage: 0x%08X\n", pmc.PagefileUsage ); printf( "\tPeakPagefileUsage: 0x%08X\n", pmc.PeakPagefileUsage ); } CloseHandle( hProcess ); } using namespace pcl::console; int main (int argc, char argv) { if(argc<2) { std::cout<<".exe xx.pcd -kn 50 -bc 0 -fc 10.0 -nc 0 -st 30 -ct 0.05"<<endl; return 0; }//如果输入参数小于1个，输出提示 time_t start,end,diff[5],option; start = time(0); int KN_normal=50; //设置默认输入参数 bool Bool_Cuting=false;//设置默认输入参数 float far_cuting=10,near_cuting=0,SmoothnessThreshold=30.0,CurvatureThreshold=0.05;//设置默认输入参数 parse_argument (argc, argv, "-kn", KN_normal); parse_argument (argc, argv, "-bc", Bool_Cuting); parse_argument (argc, argv, "-fc", far_cuting); parse_argument (argc, argv, "-nc", near_cuting); parse_argument (argc, argv, "-st", SmoothnessThreshold); parse_argument (argc, argv, "-ct", CurvatureThreshold);//设置输入参数方式 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); if ( pcl::io::loadPCDFile <pcl::PointXYZ> (argv[1], *cloud) == -1) { std::cout << "Cloud reading failed." << std::endl; return (-1); }// 加载输入点云数据 end = time(0); diff[0] = difftime (end, start); PCL_INFO ("\Loading pcd file takes(seconds): %d\n", diff[0]); //Noraml estimation step(1 parameter) pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ> > (new pcl::search::KdTree<pcl::PointXYZ>);//创建一个指向kd树搜索对象的共享指针 pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>); pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;//创建法线估计对象 normal_estimator.setSearchMethod (tree);//设置搜索方法 normal_estimator.setInputCloud (cloud);//设置法线估计对象输入点集 normal_estimator.setKSearch (KN_normal);// 设置用于法向量估计的k近邻数目 normal_estimator.compute (*normals);//计算并输出法向量 end = time(0); diff[1] = difftime (end, start)-diff[0]; PCL_INFO ("\Estimating normal takes(seconds): %d\n", diff[1]); //optional step: cutting the part are far from the orignal point in Z direction.2 parameters pcl::IndicesPtr indices (new std::vector <int>);//创建一组索引 if(Bool_Cuting)//判断是否需要直通滤波 { pcl::PassThrough<pcl::PointXYZ> pass;//设置直通滤波器对象 pass.setInputCloud (cloud);//设置输入点云 pass.setFilterFieldName ("z");//设置指定过滤的维度 pass.setFilterLimits (near_cuting, far_cuting);//设置指定纬度过滤的范围 pass.filter (*indices);//执行滤波，保存滤波结果在上述索引中 } // 区域生长算法的5个参数 pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;//创建区域生长分割对象 reg.setMinClusterSize (50);//设置一个聚类需要的最小点数 reg.setMaxClusterSize ();//设置一个聚类需要的最大点数 reg.setSearchMethod (tree);//设置搜索方法 reg.setNumberOfNeighbours (30);//设置搜索的临近点数目 reg.setInputCloud (cloud);//设置输入点云 if(Bool_Cuting)reg.setIndices (indices);//通过输入参数设置，确定是否输入点云索引 reg.setInputNormals (normals);//设置输入点云的法向量 reg.setSmoothnessThreshold (SmoothnessThreshold / 180.0 * M_PI);//设置平滑阈值 reg.setCurvatureThreshold (CurvatureThreshold);//设置曲率阈值 std::vector <pcl::PointIndices> clusters; reg.extract (clusters);//获取聚类的结果，分割结果保存在点云索引的向量中。 end = time(0); diff[2] = difftime (end, start)-diff[0]-diff[1]; PCL_INFO ("\Region growing takes(seconds): %d\n", diff[2]); std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;//输出聚类的数量 std::cout << "First cluster has " << clusters[0].indices.size () << " points." << endl;//输出第一个聚类的数量 std::cout << "These are the indices of the points of the initial" << std::endl << "cloud that belong to the first cluster:" << std::endl; /* int 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; */ PrintMemoryInfo(); pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud (); pcl::visualization::CloudViewer viewer ("区域增长分割方法"); viewer.showCloud(colored_cloud); while (!viewer.wasStopped ()) { }//进行可视化 return (0); }

代码分析

然后设置最小和最大集群大小。这意味着在分割完成后，所有点小于最小值(或大于最大值)的聚类将被丢弃。最小值和最大值的默认值分别为1和“尽可能多”。

算法在内部结构中需要K最近邻搜索，所以这里是提供搜索方法并设置邻居数量的地方。之后，它接收到必须分割的点云、点下标和法线。

讯享网 pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg; reg.setMinClusterSize (50); reg.setMaxClusterSize (); reg.setSearchMethod (tree); reg.setNumberOfNeighbours (30); reg.setInputCloud (cloud); //reg.setIndices (indices); reg.setInputNormals (normals);

这两行是算法初始化中最重要的部分，因为它们负责上述的平滑约束。第一种方法以弧度为单位设置角度，作为法向偏差的允许范围。如果点之间的法线偏差小于平滑阈值，那么建议它们在同一簇中(新的点-被测试的点-将被添加到簇中)。第二个是曲率阈值。如果两点有一个小的法向偏差，那么它们之间的曲率差被测试。

 reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI); reg.setCurvatureThreshold (1.0);

RegionGrowing类提供了一个返回彩色云的方法，其中每个集群都有自己的颜色。因此，在这部分代码中，实例化pcl::visualization::CloudViewer以查看分割的结果——相同颜色的云 

讯享网pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud (); pcl::visualization::CloudViewer viewer ("Cluster viewer"); viewer.showCloud(colored_cloud); while (!viewer.wasStopped ()) { } return (0); }

实验结果

原始点云：

 使用区域生长算法分割后的点云（每种颜色代表一个聚类）：

 在最后一张图片中，你可以看到彩色云有许多红点。这意味着这些点属于被拒绝的聚类，因为它们有太多/太少的点。

使用命令行进行输入： 

D:\PCLProject\pcl-project\pcl_segmentation\4_region_growing_segmentation\cmake_bin\Release>region_growing_segmentation.exe pig1.pcd -kn 50 -bc 0 -fc 10.0 -nc 0 -st 30 -ct 0.05
Loading pcd file takes(seconds): 0
Estimating normal takes(seconds): 1
Region growing takes(seconds): 0
Number of clusters is equal to 141
First cluster has points.
These are the indices of the points of the initial
cloud that belong to the first cluster:

Process ID:
        PageFaultCount: 0x00004A9E
        PeakWorkingSetSize: 0x03A69000
        WorkingSetSize: 0x03A68000
        QuotaPeakPagedPoolUsage: 0x0002DD40
        QuotaPagedPoolUsage: 0x0002D5B8
        QuotaPeakNonPagedPoolUsage: 0x00003508
        QuotaNonPagedPoolUsage: 0x00003480
        PagefileUsage: 0x0
        PeakPagefileUsage: 0x0

 其他数据结果

原始点云：

 处理之后的点云：