PCL中分割方法的介紹（2）

主要的缺點：該演算法沒有初始化種子系統，沒有過度分割或者分割不足的控制，還有就是從主迴圈運算中呼叫條件函式時，效率比較低，

看一下**吧，至於到底怎麼理解各個有個人的理解吧

#include #include 
#include 
//如果此函式返回true，則將新增候選點到種子點的簇類中。
bool
customcondition(
const pcl::pointxyz& seedpoint, const pcl::pointxyz& candidatepoint, float
squareddistance)
intmain(
int argc, char**ar**)
//申明乙個條件聚類的物件
pcl::conditionaleuclideanclusteringclustering;
clustering.setclustertolerance(
0.02
);    clustering.setminclustersize(
100);
clustering.setmaxclustersize(
25000
);    clustering.setinputcloud(cloud);
//設定要檢查每對點的函式。
clustering.setconditionfunction(&customcondition);
std::vector
clusters;
clustering.segment(clusters);
//對於每乙個聚類結果
int currentclusternum = 1
;    
for (std::vector::const_iterator i = clusters.begin(); i != clusters.end(); ++i)
}

上面執行的條件是檢查候選點的y座標是否小於種子的y座標，沒有什麼實際意義。所以我就再檢視結果了。

那麼同時我暫時也用不到，如果有想法的時候再回來研究吧

（2）最小分割演算法

該演算法是將一幅點雲影象分割為兩部分：前景點雲（目標物體）和背景物體（剩餘部分）

the min-cut (minimum cut) algorithm最小割演算法是圖論中的乙個概念，其作用是以某種方式，將兩個點分開，當然這兩個點中間可能是通過無數的點再相連的。如圖

如果要分開最左邊的點和最右邊的點，紅綠兩種割法都是可行的，但是紅線跨過了三條線，綠線只跨過了兩條。單從跨線數量上來論可以得出綠線這種切割方法更優的結論。但假設線上有不同的權值，那麼最優切割則和權值有關了。當你給出了點之間的「圖」，以及連線的權值時，最小割演算法就能按照要求把圖分開。

所以那麼怎麼來理解點雲的圖呢？

顯而易見，切割有兩個非常重要的因素，第乙個是獲得點與點之間的拓撲關係，這種拓撲關係就是生成一張「圖」。第二個是給圖中的連線賦予合適的權值。只要這兩個要素合適，最小割演算法就會正確的分割出想要的結果。點雲是分開的點。只要把點雲中所有的點連起來就可以了。連線演算法如下：

找到每個點臨近的n個點

將這n個點和父點連線

找到距離最小的兩個塊（a塊中某點與b塊中某點距離最小），並連線

重複3，直至只剩乙個塊

經過上面的步驟現在已經有了點雲的「圖」，只要給圖附上合適的權值，就滿足了最小分割的前提條件。物體分割比如影象分割給人乙個直觀印象就是屬於該物體的點，應該相互之間不會太遠。也就是說，可以用點與點之間的歐式距離來構造權值。所有線的權值可對映為線長的函式。

我們知道這種分割是需要指定物件的，也就是我們指定聚類的中心點（center）以及聚類的半徑（radius），當然我們指定了中心點和聚類的半徑，那麼就要被保護起來，保護的方法就是增加它的權值

接下來我們就來看看**

#include #include 
#include 
#include 
#include 
#include 
#include 
intmain(
int argc, char**ar**)
//申明乙個min-cut的聚類物件
pcl::mincutsegmentationclustering;
clustering.setinputcloud(cloud);   
//設定輸入
//建立乙個點雲，列出所知道的所有屬於物件的點 
//（前景點）在這裡設定聚類物件的中心點（想想是不是可以可以使用滑鼠直接選擇聚類中心點的方法呢？）
pcl::pointcloud::ptr foregroundpoints(new pcl::pointcloud());
pcl::pointxyz point;
point.x = 100.0
;    point.y = 100.0
;    point.z = 100.0
;    foregroundpoints->points.push_back(point);
clustering.setforegroundpoints(foregroundpoints);  
//設定聚類物件的前景點
//設定sigma，它影響計算平滑度的成本。它的設定取決於點雲之間的間隔（解析度）
clustering.setsigma(0.02
);    
//設定聚類物件的半徑.
clustering.setradius(0.01
);         
//設定需要搜尋的臨近點的個數，增加這個也就是要增加邊界處圖的個數
clustering.setnumberofneighbours(20
);        
//設定前景點的權重（也就是排除在聚類物件中的點，它是點雲之間線的權重，）
clustering.setsourceweight(0.6
);    std::vector 
clusters;
clustering.extract(clusters);
std::cout 
<< "
maximum flow is 
"<< clustering.getmaxflow() << "."
<<:endl>
int currentclusternum = 1
;    
for (std::vector::const_iterator i = clusters.begin(); i != clusters.end(); ++i)
}

看一下實際執行的最小分割法的結果

原始的點雲

最小分割法的結果

對於實際應用中我們應該設定正確的引數這是最為關鍵的！

PCL中分割方法的介紹（2）

PCL濾波介紹（2）

VC中分割檔案路徑的分割類

c 中分割字串的幾種方法

PCL中分割方法的介紹（2）

PCL濾波介紹（2）

VC中分割檔案路徑的分割類

c 中分割字串的幾種方法

相關推薦