PCL：基于顏色的區域生長分割

1 原理

基于顏色的區域生長分割的基本思想與 基于顏色的區域生長分割 相同，

基于顏色的演算法有兩個主要區別：

• 第一個是它使用顏色而不是法線，
• 第二種是使用合并演算法進行過分割和欠分割控制，分割后，嘗試合并具有相近顏色的簇，兩個相鄰簇的平均顏色相差很小，它們合并在一起，然后進行第二個合并步驟，在這一步中，每個集群都會根據其包含的點數進行驗證，如果此數字小于用戶定義的值，則當前群集將與最近的相鄰群集合并，

2 代碼實作

代碼：

#include <pcl/io/pcd_io.h>
#include <pcl/search/search.h>
#include <pcl/search/kdtree.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/segmentation/region_growing_rgb.h>
#include <pcl/console/time.h>

using namespace std;

int main()
{
	//------------------------------- 加載點云 -------------------------------
	cout << "->正在加載點云..." << endl;
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud <pcl::PointXYZRGB>);
	if (pcl::io::loadPCDFile<pcl::PointXYZRGB>("road.pcd", *cloud) < 0)
	{
		PCL_ERROR("\a點云檔案不存在！\n");
		system("pause");
		return (-1);
	}
	cout << "->加載點的個數：" << cloud->points.size() << endl;
	//========================================================================
	
	//--------------------------- 基于顏色的區域生長 ---------------------------
	pcl::console::TicToc time;
	time.tic();
	cout << "->正在進行基于顏色的區域生長..." << endl;
	pcl::search::Search <pcl::PointXYZRGB>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZRGB>);
	pcl::RegionGrowingRGB<pcl::PointXYZRGB> rgr;	//創建生長物件
	rgr.setInputCloud(cloud);						//設定輸入點云
	rgr.setSearchMethod(tree);						//設定搜索方法
	rgr.setDistanceThreshold(0.2);					//設定距離閾值，用于判斷兩點是否相鄰，小于閾值的為相鄰點，用于聚類鄰域點搜索
	rgr.setPointColorThreshold(20);					//設定點之間的顏色閾值，類似于基于曲率的區域生長中的平滑閾值，用于提取同一區域的點
	rgr.setRegionColorThreshold(20);				//設定聚類之間的顏色閾值，用于聚類合并
	rgr.setMinClusterSize(50);						//設定滿足一個聚類的最小點數，如果聚類點數小于該閾值，則將其與最近的一個聚類合并
	rgr.setMaxClusterSize(99999999);				//設定滿足一個聚類的最大點數
	std::vector <pcl::PointIndices> clusters;		//聚類索引向量
	rgr.extract(clusters);							//獲取聚類結果，并保存到索引向量中
	cout << "->聚類個數為" << clusters.size() << endl;
	cout << "->區域生長用時：" << time.toc() / 1000 << " s" << endl;
	//========================================================================

	//----------------------------- 可視化生長結果 -----------------------------
	pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = rgr.getColoredCloud();	//對不同的分類結果隨機賦色
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("基于顏色的區域生長分割結果"));
	viewer->addPointCloud<pcl::PointXYZRGB>(colored_cloud, "colored_cloud");
	//viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "colored_cloud");
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}
	//========================================================================

	return (0);
}

輸出結果：

->正在加載點云...
->加載點的個數：200293
->正在進行基于顏色的區域生長...
->聚類個數為141
->區域生長用時：215.995 s

3 結果展示

實驗點云點數為 200293，點間距為 5cm，實驗結果如下：

	兩個顏色閾值均為5，聚類個數為675，耗時 775.568 s
	兩個顏色閾值均為20，聚類個數為141，耗時 215.995 s

4 注意

點 P 1 P_1 P1? 與點 P 2 P_2 P2? 之間的顏色距離（Color Distance）定義為：
C D ( P 1 , P 2 ) = ( R 1 ? R 2 ) 2 + ( G 1 ? G 2 ) 2 + ( B 1 ? B 2 ) 2 ) CD(P_1,P_2)=\sqrt{(R_1-R_2)^2+(G_1-G_2)^2+(B_1-B_2)^2)} CD(P1?,P2?)=(R1??R2?)2+(G1??G2?)2+(B1??B2?)2) ?
式中， R 1 , G 1 , B 1 R_1,G_1,B_1 R1?,G1?,B1? 和 R 2 , G 2 , B 2 R_2,G_2,B_2 R2?,G2?,B2? 分別為點 P 1 P_1 P1? 與點 P 2 P_2 P2? 的RGB值，

顏色閾值設定的越小，分割越精細，耗時越長，

相關鏈接：

PCL：基于區域生長的點云分割原理與實作

PCL點云資料處理基礎??????目錄