【PCL模块解析 07 之点云分割】01 平面模型分割

系统管理员 2021-09-18 11:04 634阅读 0赞

**目录**

一、前言

二、PCL简介

1、PCL简介

2、PCL分割

三、平面模型分割

1、全部代码

2、分块介绍

1.创建数据

2.下采样

3.滤波

4.创建分割对象

5.分割并获取平面聚类

6.将聚类写入到数据集

7.点云文件可视化

3、图像展示

--------------------

# 一、前言 #

最近在学习点云库，在做笔记记录时，希望能跟更多的人一起分享一些学习心得，但是由于是初学，无法像其他内容一样去写一整套学习笔记，只能跟着自己做的一些实战的东西，来逐步完善相关的技术，所以第一篇PCL点云库的内容从分割开始。

本文中所有代码可以去我的GitHub主页下载（[点此进入代码下载地址][Link 1]）。

学习点云库，主要用到两个网站：

1.PCL官网教程：[http://pointclouds.org/documentation/][http_pointclouds.org_documentation]

这是原网站的文档页，有相关源码的教程以及相关代码，适合英语大佬学习PCL、想通过技术来提升自己英语水平的同学（比如我）。

2.PCL中国：[http://www.pclcn.org/][http_www.pclcn.org]

这是中国的PCL官网，很多技术都在这里能找到（不敢说全部哈）适合英语比较差的小伙伴入门学习。

最近刚刚入门，很多东西也不是很了解，如果大家有什么问题，都可以跟我沟通交流。除了通过博客交流外，欢迎你加入我的QQ群，一起交流有关于机器学习、深度学习、计算机视觉有关内容。目前我并未确定具体的研究方向，所以现在处于广泛涉猎阶段，希望我们能够一起沟通。下图是我的群二维码：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_2FFF3F_t_70][]

接下来让我们一起走进PCL的世界。

**二、PCL简介**

**1、PCL简介**

简单介绍一下PCL：

PCL（Point Cloud Library）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。

如果说OpenCV是2D信息获取与处理的结晶，那么PCL就在3D信息获取与处理上具有同等地位。如果大家对OpenCV有兴趣，可以看我的相关博客：《[OpenCV系列][OpenCV]》。

## 2、PCL分割 ##

没有找到相关的定义，通过对几种分割方式的学习，我们也能对分割有大概的理解：**通过一定的技术，将点云图像属于不同层次，不同部分，不同类型的东西区分开来，并把自己需要的部分的信息存储或展示出来**。

PCL分割主要有以下几种：

（1）平面模型分割；

（2）圆柱模型分割；

（3）欧几里得簇提取；

（4）区域增长细分；

（5）基于颜色的区域增长分割；

（6）基于最小分割的分割；

（7）条件欧几里得聚类；

（8）基于法线的分割差异；

（9）点云聚类形成超级体素集群 - 理论引物（Clustering of Pointclouds into Supervoxels - Theoretical primer）；

（10）利用渐进形态滤波器返回分割识别地面；

（11）使用模型离群值方法移除过滤点云；

这篇博客主要给大家分享的是平面模型分割。

**三、平面模型分割**

## 1、全部代码 ##

这里代码是原网站的代码，原网站采用的点云文件是自己写的，我做项目时的点云文件是自己生成的。下面是原网站的代码。

#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 (int argc, char** argv)
    {
      pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    
      // Fill in the cloud data
      cloud->width  = 15;
      cloud->height = 1;
      cloud->points.resize (cloud->width * cloud->height);
    
      // Generate the data
      for (size_t i = 0; i < cloud->points.size (); ++i)
      {
        cloud->points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1.0;
      }
    
      // Set a few outliers
      cloud->points[0].z = 2.0;
      cloud->points[3].z = -2.0;
      cloud->points[6].z = 4.0;
    
      std::cerr << "Point cloud data: " << cloud->points.size () << " points" << std::endl;
      for (size_t i = 0; i < cloud->points.size (); ++i)
        std::cerr << "    " << cloud->points[i].x << " "
                            << cloud->points[i].y << " "
                            << cloud->points[i].z << std::endl;
    
      pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
      pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
      // Create the segmentation object
      pcl::SACSegmentation<pcl::PointXYZ> seg;
      // Optional
      seg.setOptimizeCoefficients (true);
      // Mandatory
      seg.setModelType (pcl::SACMODEL_PLANE);
      seg.setMethodType (pcl::SAC_RANSAC);
      seg.setDistanceThreshold (0.01);
    
      seg.setInputCloud (cloud);
      seg.segment (*inliers, *coefficients);
    
      if (inliers->indices.size () == 0)
      {
        PCL_ERROR ("Could not estimate a planar model for the given dataset.");
        return (-1);
      }
    
      std::cerr << "Model coefficients: " << coefficients->values[0] << " " 
                                          << coefficients->values[1] << " "
                                          << coefficients->values[2] << " " 
                                          << coefficients->values[3] << std::endl;
    
      std::cerr << "Model inliers: " << inliers->indices.size () << std::endl;
      for (size_t i = 0; i < inliers->indices.size (); ++i)
        std::cerr << inliers->indices[i] << "    " << cloud->points[inliers->indices[i]].x << " "
                                                   << cloud->points[inliers->indices[i]].y << " "
                                                   << cloud->points[inliers->indices[i]].z << std::endl;
    
      return (0);
    }

重点是给大家讲解，在这里就不写我自己的代码了，有需要的同学可以上我的Github上去下载。

## 2、分块介绍 ##

分块介绍不仅仅会介绍网站上公布的代码，还会讲解一些我自己的代码，下面部分与上面的全部代码可能没有关系。只是我在学习的过程中会用到。

### 1.创建数据 ###

原网站中采用的是自己创建的随机数据。控制好z变量的值，并随机生成一些数据点。并设置三个据外点测试效果。

//填充点云数据，设置点云宽度为15，高度为1，即为无序点云
    cloud.width  = 15;
    cloud.height = 1;
    cloud.points.resize (cloud.width * cloud.height);
    //生成数据，采用随机数填充点云的x，y坐标，但都处在z为1的平面上
    for (size_t i = 0; i < cloud.points.size (); ++i)
      {
        cloud.points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);
        cloud.points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);
        cloud.points[i].z = 1.0;
      }
    //设置三个局外点，即重新设置几个点的z值，使其偏离z为1的平面
    cloud.points[0].z = 2.0;
    cloud.points[3].z = -2.0;
    cloud.points[6].z = 4.0;
    //在标准输出上打印出点云中各点的坐标值，方便分割后的参考
    std::cerr << "Point cloud data: " << cloud.points.size () <<" points" << std::endl;
    for (size_t i = 0; i < cloud.points.size (); ++i)
    std::cerr << "    " << cloud.points[i].x << " " 
                        << cloud.points[i].y << " " 
                        << cloud.points[i].z << std::endl;

### 2.下采样 ###

下采样是会经常遇到的方式，目的是为了减少数据点，提高运算速度。

// 下采样，体素叶子大小为0.01
    	pcl::VoxelGrid<pcl::PointXYZ> vg;      //体素栅格下采样对象
    	vg.setInputCloud(cloud);               // 原始点云
    	vg.setLeafSize(0.005f, 0.005f, 0.005f);   // 设置采样体素大小
    	vg.filter(*cloud_vg_filtered);         //保存
    	std::cout << "PointCloud after filtering has: " << cloud_vg_filtered->points.size() << " data points." << std::endl;

### 3.滤波 ###

滤波的目的是为了降噪，将不符合要求的数据点排除出去。

**不过，这个NaNs是个啥？我个人理解是错误数据代称，你们的理解呢？**

// Build a passthrough filter to remove spurious NaNs 建立一个直通过滤器以消除错误的NaNs
    	pcl::PassThrough<pcl::PointXYZ> pass;
    	pass.setInputCloud(cloud_vg_filtered);
    	pass.setFilterFieldName("z");
    	pass.setFilterLimits(0, 1.5);
    	pass.filter(*cloud_NaNs_filtered);//预处理后的全景

### 4.创建分割对象 ###

这一步的工作是为平面模型创建分割对象并设置所有参数。这里涉及到的参数远比原网站中的多。

pcl::SACSegmentationFromNormals<pcl::PointXYZ, pcl::Normal> seg;  //创建分割对象（使用曲面法线进行平面分割的类）
            // Create the segmentation object for the planar model and set all the parameters
    	seg.setOptimizeCoefficients(true);
    	seg.setModelType(pcl::SACMODEL_NORMAL_PLANE);  //设置模型类型
    	seg.setNormalDistanceWeight(0.1);
    	seg.setMethodType(pcl::SAC_RANSAC);  //设置随机采样一致性方法类型
    	seg.setMaxIterations(100);         //设置最大迭代次数
    	seg.setDistanceThreshold(0.05);   //设定距离阀值，距离阀值决定了点被认为是局内点是必须满足的条件，表示点到估计模型的距离最大值
    	seg.setInputCloud(cloud_NaNs_filtered);
    	seg.setInputNormals(cloud_normals);

### 5.分割并获取平面聚类 ###

将图像平面分割出来并获取图像平面聚类。

//进行欧式分割，获得目标点云集合--------------------------------------------------------------------------------
    	// Creating the KdTree object for the search method of the extraction
    	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>);
    	
    	tree2->setInputCloud(cloud_objects); //创建点云索引向量，用于存储实际的点云信息
    
    	std::vector<pcl::PointIndices> cluster_indices;
    	pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    	ec.setClusterTolerance(0.8); //设置近邻搜索的搜索半径为2cm
    	ec.setMinClusterSize(10);//设置一个聚类需要的最少点数目为100
    	ec.setMaxClusterSize(2500);//设置一个聚类需要的最大点数目为20000
    	ec.setSearchMethod(tree2);//设置点云的搜索机制
    	ec.setInputCloud(cloud_objects);
    	ec.extract(cluster_indices);//从点云中提取聚类，并将点云索引保存在cluster_indices中

### 6.将聚类写入到数据集 ###

/*为了从点云索引向量中分割出每个聚类，必须迭代访问点云索引，每次创建一个新的点云数据集，并且将所有当前聚类的点写入到点云数据集中。*/
    	//迭代访问点云索引cluster_indices，直到分割出所有聚类
    	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>);
    		//创建新的点云数据集cloud_cluster，将所有当前聚类写入到点云数据集中
    		for (std::vector<int>::const_iterator pit = it->indices.begin(); pit != it->indices.end(); ++pit)
    		{
    			cloud_cluster->points.push_back(cloud_objects->points[*pit]); //*
    		}
    		cloud_cluster->width = cloud_cluster->points.size();
    		cloud_cluster->height = 1;
    		cloud_cluster->is_dense = true;
    		std::cout << "PointCloud representing the Cluster: " << cloud_cluster->points.size() << " data points." << std::endl;
    		std::stringstream ss;
    		ss << "D:/cloud_cluster_jiaoshui" << j << ".pcd";
    		writer.write<pcl::PointXYZ>(ss.str(), *cloud_cluster, false); //*
    		j++;
    	}

### 7.点云文件可视化 ###

将点云文件以图像展示出来。

//显示提取的结果
    	//读取文件 	
    	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer;
    	viewer = simpleVis(cloud_objects);
    	while (!viewer->wasStopped())
    	{
    		viewer->spinOnce(100);
    		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    	}

## 3、图像展示 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_FFFFFF_t_70][]

[Link 1]: https://github.com/PureWaterLove/PointCloudLibrary
[http_pointclouds.org_documentation]: http://pointclouds.org/documentation/
[http_www.pclcn.org]: http://www.pclcn.org/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_2FFF3F_t_70]: /images/20210516/6c00f84708424577bf3d5079c4246dee.png
[OpenCV]: https://blog.csdn.net/shuiyixin/article/category/7581855
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_FFFFFF_t_70]: /images/20210516/4800f7c0b3794551a70d91c7adfc8034.png