点云的区域增长分割算法（Region Growing Segmentation for Point Cloud）

最新推荐文章于 2026-02-17 03:09:02 发布

原创最新推荐文章于 2026-02-17 03:09:02 发布 · 2.1k 阅读 ·

本内容遵循CC 4.0 BY-SA版权协议

MrVoider

关注

标签

#算法 #c++

分类游戏开发

本文详细介绍了如何使用区域增长算法对点云数据进行分割，通过曲率值和法线角度比较来合并相近点，实现点云的平滑曲面分割。算法包括从最小曲率点开始的区域生长，邻接点搜索，以及曲率和法线角度阈值判断。文章还提供了C++代码实现，并解释了代码工作原理，最后展示了编译运行效果。

参考页面：https://pcl.readthedocs.io/projects/tutorials/en/master/region_growing_segmentation.html

区域增长分割（Region growing segmentation）

在本教程中，我们将学习如何使用在pcl::RegionGrowing 类中实现的区域增长算法。这个算法的目的是合并在平滑度约束方面足够接近的点。
因此，该算法的输出是一组簇，其中每个簇是一组被视为同一平滑曲面的一部分的点。该算法是基于点法线之间的角度比较。

理论基础（Theoretical Primer）

首先，它根据曲率值对点进行排序。这里需要这样做，是因为该区域从具有最小曲率值的点开始生长。这样做的原因是曲率最小的点位于平坦区域（从最平坦区域增长可以减少段的总数）。
然后我们得到了排序后的点云。直到点云中没有未标记的点为止，该算法提取曲率值最小的点并开始区域增长。此过程如下所示：
- 选取的点将添加到称为“种子”的集合中；
- 对于每一个种子点，算法会寻找它的邻接点：
  - 计算每个邻接的法线与当前种子点法线之间的角度。如果角度小于阈值，则将当前点添加到当前区域；
  - 之后，对每个邻居计算曲率值。如果曲率小于阈值，则该点将添加到种子。
  - 当前种子将从种子集合中移除。
- 如果种子集变为空，这意味着算法已经扩大了区域，并且从一开始就重复该过程。
- 可以在下面找到上述算法的伪代码：
  $\begin{aligned} & 输入： \\ &\quad 点云 = \{P\} \\ &\quad 点法向量 = \{N\} \\ &\quad 点曲率 = \{c\} \\ &\quad 寻找邻域函数\ \Omega(.) \\ &\quad 曲率阈值\ c_{th} \\ &\quad 角度阈值\ \theta_{th} \\ & 初始化： \\ &\quad 区域列表\ {R}\leftarrow{ \emptyset } \\ &\quad 可获取点的列表\ \{A\}\leftarrow\{1,...,|P|\} \\ & 算法： \\ &\quad While\ \{A\}\ is\ not\ empty\ do \\ &\quad \quad 当前区域\ \{R_c\}\leftarrow{\emptyset} \\ &\quad \quad 当前种子集合\ \{S_c\}\leftarrow{\emptyset} \\ &\quad \quad \{A\}中最小曲率的点\rightarrow P_{min} \\ &\quad \quad \{S_c\}\leftarrow\{S_c\}\cup P_{min} \\ &\quad \quad \{R_c\}\leftarrow\{R_c\}\cup P_{min} \\ &\quad \quad \{A\}\leftarrow\{A\}\setminus P_{min} \\ &\quad \quad for\ i = 0\ to\ size\ ( \{S_c\} ) do \\ &\quad \quad \quad 找在当前种子点中的最近邻接点 \{B_c\}\leftarrow\Omega(S_c\{i\}) \\ &\quad \quad \quad for\ j = 0\ to\ size\ ( \{B_c\} ) do\ \\ &\quad \quad \quad \quad 当前邻接点\ P_j\leftarrow B_c\{j\} \\ &\quad \quad \quad \quad If\ \{A\}\ contains\ P_j\ and \ cos^{-1}(|(N\{S_c\{i\}\},N\{S_c\{j\}\})|)<\theta_{th}\ then\ \\ &\quad \quad \quad \quad \quad \{R_c\}\leftarrow\{R_c\}\cup P_j \\ &\quad \quad \quad \quad \quad \{A\}\leftarrow\{A\}\setminus P_j \\ &\quad \quad \quad \quad \quad If\ c\{P_j\}<c_{th}\ then \\ &\quad \quad \quad \quad \quad \quad \{S_c\}\leftarrow\{S_c\}\cup P_j \\ &\quad \quad \quad \quad \quad end\ if \\ &\quad \quad \quad \quad end\ if \\ &\quad \quad \quad end\ for \\ &\quad \quad end\ for \\ &\quad \quad 将当前区域添加进全局分割列表\ \{R\}\leftarrow\{R\}\cup\{R_c\} \\ &\quad end\ while \\ &\quad Return\ \{R\} \end{aligned}$

代码（The code）

算法所用的点云文件：region_growing_tutorial.pcd

需要创建一个叫region_growing_segmentation.cpp文件，在文件中填入以下代码：

#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/filter_indices.h> // for pcl::removeNaNFromPointCloud
#include <pcl/segmentation/region_growing.h>

int main ()
{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1)
  {
    std::cout << "Cloud reading failed." << std::endl;
    return (-1);
  }

  pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
  pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
  normal_estimator.setSearchMethod (tree);
  normal_estimator.setInputCloud (cloud);
  normal_estimator.setKSearch (50);
  normal_estimator.compute (*normals);

  pcl::IndicesPtr indices (new std::vector <int>);
  pcl::removeNaNFromPointCloud(*cloud, *indices);

  pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
  reg.setMinClusterSize (50);
  reg.setMaxClusterSize (1000000);
  reg.setSearchMethod (tree);
  reg.setNumberOfNeighbours (30);
  reg.setInputCloud (cloud);
  reg.setIndices (indices);
  reg.setInputNormals (normals);
  reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
  reg.setCurvatureThreshold (1.0);

  std::vector <pcl::PointIndices> clusters;
  reg.extract (clusters);

  std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
  std::cout << "First cluster has " << clusters[0].indices.size () << " points." << std::endl;
  std::cout << "These are the indices of the points of the initial" <<
    std::endl << "cloud that belong to the first cluster:" << std::endl;
  std::size_t 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;

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

  return (0);
}

代码解释（The explanation）

简单的读取点云文件 *.pcd

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
if ( pcl::io::loadPCDFile <pcl::PointXYZ> ("region_growing_tutorial.pcd", *cloud) == -1)
{
  std::cout << "Cloud reading failed." << std::endl;
  return (-1);
}

上文有提及这个算法需要计算法向量，这里的pcl::NormalEstimation 类就是用来计算这个的。

如果想知道它是这么完成的可以去看估算点云中的表面法向量这个教程

pcl::search::Search<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
pcl::PointCloud <pcl::Normal>::Ptr normals (new pcl::PointCloud <pcl::Normal>);
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
normal_estimator.setSearchMethod (tree);
normal_estimator.setInputCloud (cloud);
normal_estimator.setKSearch (50);
normal_estimator.compute (*normals);

因为pcl::RegionGrowing 是派生于pcl::PCLBase ，所以可以使用索引。这意味着我们可以仅分割索引数组中列出的点，而不是整个点云。这里，只选择有效点进行分割。
```
pcl::IndicesPtr indices (new std::vector <int>);
pcl::removeNaNFromPointCloud(*cloud, *indices);
```
接下来算是实例化pcl::RegionGrowing 的部分，这是一个模板类，有两个参数：
- PointT - 要使用的点的类型(在样例中是 pcl::PointXYZ)
- NormalT - 要使用的法向量的类型(在样例中是pcl::Normal)
```
pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
reg.setMinClusterSize (50);
reg.setMaxClusterSize (1000000);
```
然后设置最小和最大簇的大小。这意味着分割完成后，所有点小于最小值（或大于最大值）的簇都将被丢弃。最小值和最大值的默认值分别为1和“尽可能多”。
该算法的内部结构需要K近邻搜索，因此这里提供了一种搜索方法并设置了邻接点数。

在这之后，还需接收所需分割的云、点的索引和法线。
```
reg.setSearchMethod (tree);
reg.setNumberOfNeighbours (30);
reg.setInputCloud (cloud);
reg.setIndices (indices);
reg.setInputNormals (normals);
```
这两句是算法初始化中最重要的部分，因为它们负责上述的平滑度约束。

第一个方法是以弧度为单位设置角度，该角度将用作法线偏差的允许范围。如果点法线之间的偏差小于平滑度阈值，则建议它们位于同一簇中（新点—计算后的点—将添加到簇中）。

第二个是曲率阈值。如果两个点的法线偏差很小，则计算其曲率之间的差异。如果该值小于曲率阈值，则该算法将使用新添加的点继续簇的增长。
```
reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
reg.setCurvatureThreshold (1.0);
```
这一步只需启动分割算法，在其结束后，它将返回簇的数组。
```
std::vector <pcl::PointIndices> clusters;
reg.extract (clusters);
```

以下代码是面向那些不熟悉如何使用pcl::PointIndices以及如何访问其元素的朋友。

std::cout << "Number of clusters is equal to " << clusters.size () << std::endl;
std::cout << "First cluster has " << clusters[0].indices.size () << " points." << std::endl;
std::cout << "These are the indices of the points of the initial" <<
  std::endl << "cloud that belong to the first cluster:" << std::endl;
std::size_t 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;

pcl::RegionGrowing类提供了一个方法，该方法返回上色之后的点云，其中每个簇都有自己的颜色。因此，在这部分代码中，pcl::visualization::CloudViewer被实例化，用于查看分割结果，即相同颜色的点云。可以在CloudViewer 教程中了解有关点云可视化的更多信息。
```
pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = reg.getColoredCloud ();
pcl::visualization::CloudViewer viewer ("Cluster viewer");
viewer.showCloud(colored_cloud);
while (!viewer.wasStopped ())
{
}

return (0);
}
```

编译与运行（Compiling and running the program）

下面这个是CMakeLists.txt 文件

cmake_minimum_required(VERSION 3.5 FATAL_ERROR)

project(region_growing_segmentation)

find_package(PCL 1.5 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (region_growing_segmentation region_growing_segmentation.cpp)
target_link_libraries (region_growing_segmentation ${PCL_LIBRARIES})