（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[1], *cloud) != 0) { return -1; } // 申明一个条件聚类的对象 pcl::ConditionalEuclideanClustering<pcl::PointXYZ> clustering; clustering.setClusterTolerance(0.02); clustering.setMinClusterSize(100); clustering.setMaxClusterSize(25000); 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 = 1; 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 = 1; cluster->is_dense = true; // ...and save it to disk. if (cluster->points.size() <= 0) 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：
- 找到每个点临近的n个点
- 将这n个点和父点连接
- 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
- 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[1], *cloud) != 0) { return -1; } // 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(20); //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 = 1; 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 = 1; cluster->is_dense = true; //保存聚类的结果 if (cluster->points.size() <= 0) 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！
