@[TOC]PCL中点云分割模块的学习

学习背景

参考书籍：《点云库PCL从入门到精通》以及官方代码PCL官方代码链接,，PCL版本为1.10.0，CMake版本为3.16

学习内容

PCL中实现欧式聚类提取。在点云处理中,聚类是一种常见的任务,它将点云数据划分为多个独立的簇或集群。每个簇代表点云中的一个独立物体或区域。聚类可以帮助我们从复杂的点云场景中识别出单独的物体,为后续的物体识别、分类和其他处理任务奠定基础。

源代码及所用函数

源代码

#include<pcl/ModelCoefficients.h>//定义名为 pcl::ModelCoefficients 的类，用于存储模型的系数
#include<pcl/point_types.h>
#include<pcl/io/pcd_io.h>
#include<pcl/filters/extract_indices.h>
#include<pcl/filters/voxel_grid.h>
#include<pcl/kdtree/kdtree.h>
#include<pcl/sample_consensus/method_types.h>//随机参数估计方法头文件
#include<pcl/sample_consensus/model_types.h>//定义 PCL 中用于随机采样一致性 (SAC) 方法的枚举类型
#include<pcl/segmentation/sac_segmentation.h>//提供 PCL 中用于基于随机采样一致性 (SAC) 方法进行点云分割的类和函数
#include<pcl/segmentation/extract_clusters.h>//包含 PCL (Point Cloud Library) 中用于点云聚类的头文件/******************************************************************************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)
{/*********************************************************读取点云数据***************************/pcl::PCDReader reader;pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);reader.read("/home/jojo/PointCloud/table_400.pcd",*cloud);std::cout << "滤波之前有" << cloud->points.size() << "个点" << std::endl;/*************************************创建过滤对象：使用 1 厘米大小的叶片对数据集进行下采样************///使用体素化网格方法实现下采样，即减少点的数量 减少点云数据，并同时保存点云的形状特征   pcl::VoxelGrid<pcl::PointXYZ> vg;pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_f(new pcl::PointCloud<pcl::PointXYZ>);vg.setInputCloud(cloud);//设置需要过滤的点云给滤波对象vg.setLeafSize(0.01f,0.01f,0.01f);//设置滤波时创建的体素体积为1cm的立方体vg.filter(*cloud_filtered); //执行滤波处理，存储输出std::cout << "滤波之后有" << cloud_filtered->points.size() << "个点" << std::endl;/****************************创建平面模型分割的对象并设置参数************************************/pcl::SACSegmentation<pcl::PointXYZ> seg;pcl::PointIndices::Ptr inliers(new pcl::PointIndices);pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_plane(new pcl::PointCloud<pcl::PointXYZ>());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);//最大的迭代次数seg.setDistanceThreshold(0.02);//设置阈值int i = 0,nr_points = (int)cloud_filtered->points.size();while (cloud_filtered->points.size() > 0.3 * nr_points){/**********************************从剩余云中分离出最大的平面***************************/seg.setInputCloud(cloud_filtered);seg.segment(*inliers,*coefficients);if(inliers->indices.size() == 0){std::cout << "找不到平面对象" << std::endl;break;}pcl::ExtractIndices<pcl::PointXYZ> extract;extract.setInputCloud(cloud_filtered);extract.setIndices(inliers);extract.setNegative(false);/********************************获取与平面相关的点**********************************/extract.filter(*cloud_plane);std::cout << "代表平面组件的点云有：" << cloud_plane->points.size() << "个" << 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KD树对象****************************************/pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);kdtree->setInputCloud(cloud_filtered);std::vector<pcl::PointIndices> cluster_indices;pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;//欧式聚类对象ec.setClusterTolerance(0.02);// 设置近邻搜索的搜索半径为2cmec.setMinClusterSize(100);//设置一个聚类需要的最少的点数目为100ec.setMaxClusterSize(25000);//设置一个聚类需要的最大点数目为25000ec.setSearchMethod(kdtree);//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<pcl::PointIndices>::const_iterator it = cluster_indices.begin();it != cluster_indices.end();++it){pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZ>);for (std::vector<int>::const_iterator pit = it->indices.begin();pit != it->indices.end();pit++){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 << "代表集群的点云：" << cloud_cluster->points.size() << "个" << std::endl;std::stringstream ss;ss << "cloud_cluster_" << j << ".pcd";writer.write<pcl::PointXYZ>(ss.str(),*cloud_cluster,false);j++;}return 0;}

CMakeLists.txt

cmake_minimum_required(VERSION 3.16 FATAL_ERROR)#指定CMake的最低版本要求为3.16
project(project)#设置项目名称
find_package(PCL 1.10 REQUIRED)#查找PCL库,要求版本为1.10或更高。
include_directories(${PCL_INCLUDE_DIRS})#将PCL库的头文件目录添加到包含路径中
link_directories(${PCL_LIBRARY_DIRS})#将PCL库的库文件目录添加到链接器搜索路径中。
add_definitions(${PCL_DEFINITIONS})#添加PCL库的编译器定义
add_executable (cluster_extraction cluster_extraction.cpp)
target_link_libraries (cluster_extraction ${PCL_LIBRARIES})#将PCL库链接到可执行文件目标。

运行结果

函数

• pcl/segmentation/extract_clusters.h包含 PCL (Point Cloud Library) 中用于点云聚类的头文件

补充内容