PCL中分割方法的介绍（2）

（2）关于上一篇博文中提到的欧几里德分割法称之为标准的距离分离，当然接下来介绍其他的与之相关的延伸出来的聚类的方法，我称之为条件欧几里德聚类法，（是我的个人理解），这个条件的设置是可以由我们自定义的，因为除了距离检查，聚类的点还需要满足一个特殊的自定义的要求，就是以第一个点为标准作为种子点，候选其周边的点作为它的对比或者比较的对象，如果满足条件就加入到聚类的对象中，至于到底怎么翻译我也蒙了，只能这样理解了

主要的缺点：该算法没有初始化种子系统，没有过度分割或者分割不足的控制，还有就是从主循环运算中调用条件函数时，效率比较低，

看一下代码吧，至于到底怎么理解各个有个人的理解吧

#include <pcl/io/pcd_io.h>
#include <pcl/segmentation/conditional_euclidean_clustering.h>

#include <iostream>

//如果此函数返回true，则将添加候选点到种子点的簇类中。
bool
customCondition(const pcl::PointXYZ& seedPoint, const pcl::PointXYZ& candidatePoint, float squaredDistance)
{
    // 在这里你可以添加你自定义的条件
    if (candidatePoint.y < seedPoint.y)
        return false;

    return true;
}

int
main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    if (pcl::io::loadPCDFile<pcl::PointXYZ>(argv[], *cloud) != )
    {
        return -;
    }

    // 申明一个条件聚类的对象
    pcl::ConditionalEuclideanClustering<pcl::PointXYZ> clustering;
    clustering.setClusterTolerance(0.02);
    clustering.setMinClusterSize();
    clustering.setMaxClusterSize();
    clustering.setInputCloud(cloud);
    // 设置要检查每对点的函数。
    clustering.setConditionFunction(&customCondition);
    std::vector<pcl::PointIndices> clusters;
    clustering.segment(clusters);

    // 对于每一个聚类结果
    int currentClusterNum = ;
    for (std::vector<pcl::PointIndices>::const_iterator i = clusters.begin(); i != clusters.end(); ++i)
    {
        // ...add all its points to a new cloud...
        pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
            cluster->points.push_back(cloud->points[*point]);
        cluster->width = cluster->points.size();
        cluster->height = ;
        cluster->is_dense = true;

        // ...and save it to disk.
        if (cluster->points.size() <= )
            break;
        std::cout << "Cluster " << currentClusterNum << " has " << cluster->points.size() << " points." << std::endl;
        std::string fileName = "cluster" + boost::to_string(currentClusterNum) + ".pcd";
        pcl::io::savePCDFileASCII(fileName, *cluster);

        currentClusterNum++;
    }
}

上面执行的条件是检查候选点的Y坐标是否小于种子的Y坐标，没有什么实际意义。所以我就再查看结果了。

那么同时我暂时也用不到，如果有想法的时候再回来研究吧

（2）最小分割算法

该算法是将一幅点云图像分割为两部分：前景点云（目标物体）和背景物体（剩余部分）

关于该算法的论文的地址：http://gfx.cs.princeton.edu/pubs/Golovinskiy_2009_MBS/paper_small.pdf

The Min-Cut (minimum cut) algorithm最小割算法是图论中的一个概念，其作用是以某种方式，将两个点分开，当然这两个点中间可能是通过无数的点再相连的。如图

如果要分开最左边的点和最右边的点，红绿两种割法都是可行的，但是红线跨过了三条线，绿线只跨过了两条。单从跨线数量上来论可以得出绿线这种切割方法更优 的结论。但假设线上有不同的权值，那么最优切割则和权值有关了。当你给出了点之间的 “图” ，以及连线的权值时，最小割算法就能按照要求把图分开。

所以那么怎么来理解点云的图呢？

显而易见，切割有两个非常重要的因素，第一个是获得点与点之间的拓扑关系，这种拓扑关系就是生成一张 “图”。第二个是给图中的连线赋予合适的权值。只要这两个要素合适，最小割算法就会正确的分割出想要的结果。点云是分开的点。只要把点云中所有的点连起来就可以了。连接算法如下：

1. 找到每个点临近的n个点
2. 将这n个点和父点连接
3. 找到距离最小的两个块（A块中某点与B块中某点距离最小），并连接
4. 重复3，直至只剩一个块

经过上面的步骤现在已经有了点云的“图”，只要给图附上合适的权值，就满足了最小分割的前提条件。物体分割比如图像分割给人一个直观印象就是属于该物体的点，应该相互之间不会太远。也就是说，可以用点与点之间的欧式距离来构造权值。所有线的权值可映射为线长的函数。

我们知道这种分割是需要指定对象的，也就是我们指定聚类的中心点（center）以及聚类的半径（radius），当然我们指定了中心点和聚类的半径，那么就要被保护起来，保护的方法就是增加它的权值

接下来我们就来看看代码

#include <pcl/io/pcd_io.h>
#include <pcl/search/kdtree.h>
#include <pcl/features/normal_3d.h>
#include <pcl/segmentation/region_growing.h>
#include <pcl/segmentation/min_cut_segmentation.h>
#include <iostream>
#include <pcl/segmentation/region_growing_rgb.h>

int
main(int argc, char** argv)
{
    //申明点云的类型
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    // 法线
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);

    if (pcl::io::loadPCDFile<pcl::PointXYZ>(argv[], *cloud) != )
    {
        return -;
    }
       // 申明一个Min-cut的聚类对象
    pcl::MinCutSegmentation<pcl::PointXYZ> clustering;
    clustering.setInputCloud(cloud);   //设置输入
        //创建一个点云，列出所知道的所有属于对象的点
    // （前景点）在这里设置聚类对象的中心点（想想是不是可以可以使用鼠标直接选择聚类中心点的方法呢？）
    pcl::PointCloud<pcl::PointXYZ>::Ptr foregroundPoints(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::PointXYZ point;
    point.x = 100.0;
    point.y = 100.0;
    point.z = 100.0;
    foregroundPoints->points.push_back(point);
    clustering.setForegroundPoints(foregroundPoints);  //设置聚类对象的前景点

        //设置sigma，它影响计算平滑度的成本。它的设置取决于点云之间的间隔（分辨率）
    clustering.setSigma(0.02);
    // 设置聚类对象的半径.
    clustering.setRadius(0.01);

         //设置需要搜索的临近点的个数，增加这个也就是要增加边界处图的个数
    clustering.setNumberOfNeighbours();

        //设置前景点的权重（也就是排除在聚类对象中的点，它是点云之间线的权重，）
    clustering.setSourceWeight(0.6);

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

    std::cout << "Maximum flow is " << clustering.getMaxFlow() << "." << std::endl;

    int currentClusterNum = ;
    for (std::vector<pcl::PointIndices>::const_iterator i = clusters.begin(); i != clusters.end(); ++i)
    {
        //设置聚类后点云的属性
        pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
            cluster->points.push_back(cloud->points[*point]);
        cluster->width = cluster->points.size();
        cluster->height = ;
        cluster->is_dense = true;

           //保存聚类的结果
        if (cluster->points.size() <= )
            break;
        std::cout << "Cluster " << currentClusterNum << " has " << cluster->points.size() << " points." << std::endl;
        std::string fileName = "cluster" + boost::to_string(currentClusterNum) + ".pcd";
        pcl::io::savePCDFileASCII(fileName, *cluster);

        currentClusterNum++;
    }
}

看一下实际运行的最小分割法的结果

原始的点云

最小分割法的结果

对于实际应用中我们应该设置正确的参数这是最为关键的！