基于区域增长的分割

算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。

工作原理：首先需要明白，区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程：

1.点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集；

2.对于每个种子点，算法都会发现周边的所有近邻点。1）计算每个近邻点与当前种子点的法线角度差(reg.setSmoothnessThreshold)，如果差值小于设置的阈值，则该近邻点被重点考虑，进行第二步测试；2）该近邻点通过了法线角度差检验，如果它的曲率小于我们设定的阈值(reg.setCurvatureThreshold)，这个点就被添加到种子点集，即属于当前平面。

3.通过两次检验的点，被从原始点云去除。

4.设置最小点簇的点数min（reg.setMinClusterSize），最大点簇为max（reg.setMaxClusterSize）。

4.重复1-3步，算法会生成点数在min和max的所有平面，并对不同平面标记不同颜色加以区分。

5.直到算法在剩余点中生成的点簇不能满足min，算法停止工作
 

附上一个基于区域增长的分割：

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/search/search.h>
#include <pcl/search/kdtree.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/region_growing.h>
#include<sstream>
#include"IO.h"
using namespace std;

int GetRandomNumber()
{
	//srand((unsigned)time(NULL));
	int RandomNumber;
	RandomNumber = rand() % (250) + 0;//0到255之间选择颜色
	//生成其他范围的数字：RandomNumber = rand() % (b-a+1) + a;
	return RandomNumber;
}

int
main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile <pcl::PointXYZ>("D:\\建筑物屋面提取测试数据\\build.pcd", *cloud) == -1)
	{
		std::cout << "Cloud reading failed." << std::endl;
		return (-1);
	}

	pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ> >(new pcl::search::KdTree<pcl::PointXYZ>);
	pcl::PointCloud <pcl::Normal>::Ptr normals(new pcl::PointCloud <pcl::Normal>);
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;
	normal_estimator.setSearchMethod(tree);
	normal_estimator.setInputCloud(cloud);
	normal_estimator.setKSearch(50);
	normal_estimator.compute(*normals);

	

	pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;//创建区域分割对象
	reg.setMinClusterSize(2);//设置一个类别需要的最小点数
	reg.setMaxClusterSize(1000000);//设置一个类别需要的最多点数
	reg.setSearchMethod(tree);//设置搜索方法
	reg.setNumberOfNeighbours(30);//搜索近邻点数目
	reg.setInputCloud(cloud);//设置输入点云
	//reg.setIndices (indices);
	reg.setInputNormals(normals);//输入法向量
	reg.setSmoothnessThreshold(2/ 180.0 * M_PI);//设置平滑阈值
	reg.setCurvatureThreshold(1.0);//设置曲率阈值

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

	
	


	//分割结果显示
	pcl::visualization::PCLVisualizer viewer("区域增长提取平面");
	viewer.setBackgroundColor(0, 0, 0);//黑色背景
	int ii = 0;
	IO IOExample;
	for (int i = 0; i < clusters.size(); i++)//每一块进行显示
	{
		
		vector<pcl::PointXYZ> TempCluster;
		for (int i = 0; i < clusters[ii].indices.size(); i++)
		{
			TempCluster.push_back(cloud->points[clusters[ii].indices[i]]);
		}
		ii = ii + 1;
		stringstream ss;
		ss << ii;
		string str;
		ss >> str;
		
		pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_SinglePlane(new pcl::PointCloud<pcl::PointXYZ>);
		cloud_SinglePlane = IOExample.PointXYZ2Ptr(TempCluster);
		
		int R = GetRandomNumber();
		int G = GetRandomNumber();
		int B = GetRandomNumber();
		
		pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_SinglePlane, R, G, B);
		viewer.addPointCloud<pcl::PointXYZ>(cloud_SinglePlane, single_color, str);
		viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, str);
		
	}


	pcl::visualization::PCLVisualizer viewerBeforeRegionGrowing("区域增长分割前点云");
	viewerBeforeRegionGrowing.setBackgroundColor(0, 0, 0);//黑色背景
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color_base(cloud, 255, 0, 0);
	viewerBeforeRegionGrowing.addPointCloud<pcl::PointXYZ>(cloud, single_color_base, "origin");
	viewerBeforeRegionGrowing.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "origin");


	while (!viewer.wasStopped() || !viewerBeforeRegionGrowing.wasStopped())
	{
		viewer.spinOnce(1);
		viewerBeforeRegionGrowing.spinOnce(1);
	}





	
	return (0);
}

简单分割结果