点云超体素聚类（Supervoxel Clustering）

原创已于 2025-08-05 16:20:29 修改 · 653 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #c++ #计算机视觉

于 2025-08-04 16:40:09 首次发布

pcl 专栏收录该内容

56 篇文章

订阅专栏

今天学习这段 点云超体素聚类（Supervoxel Clustering） 的原理、代码逻辑和实际作用，帮你彻底理解：

一、先搞懂「超体素聚类」是做什么的？

简单说，它是一种 3D 点云的 “超像素” 分割算法：把点云分成许多 “超体素”（Supervoxel）—— 类似图像的 “超像素”，但在 3D 空间中。

核心目标：用 “超体素” 替代原始点，减少后续处理的复杂度（比如分割、识别）；
优势：超体素能贴合物体边界，且分布均匀，让后续算法更高效、更准确。

二、算法原理：怎么生成 “超体素”？

超体素聚类基于 “体素云连接分割（VCCS）” 算法，步骤如下：

体素化与种子初始化：
- 把点云体素化（分成小立方体），用 voxel_resolution 控制体素大小；
- 在体素中均匀撒 “种子点”，用 seed_resolution 控制种子间距（种子决定超体素的初始位置）。
区域生长（Region Growing）：
- 从种子点开始，逐步扩展超体素：计算当前体素与种子的 “特征距离”（融合空间、颜色、法向量信息）；
- 距离近的体素被合并到超体素中，直到无法扩展（达到搜索范围或无新体素）。
邻接关系维护：
- 超体素在 3D 空间中保持 26 - 邻接关系（共享面、边、顶点的体素视为相邻）；
- 用八叉树（Octree）高效维护体素的邻接关系，加速区域生长和后续处理。
  
  从右到左，6（面）、18（面、边）和 26（面、边、顶点）的邻接关系

关键公式：特征距离计算

超体素扩展时，用以下公式计算 “特征距离”，决定是否合并体素：
_images/supervoxel_clustering_distance_eqn.png

D_c：颜色距离（RGB 空间的欧氏距离）；
D_s：空间距离（体素与种子的欧氏距离）；
D_n：法向量距离（法向量夹角的余弦距离）；
w_c,w_s,w_n：颜色、空间、法向量的权重（用户可调）；
R_seed：种子间距（seed_resolution）。

影响超体素聚类的各种尺寸参数。R_seed 和 R_voxel 必须由用户设置。

三、代码逐段拆解：每一步在干啥？

1. 头文件 & 类型定义

#include <pcl/console/parse.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/segmentation/supervoxel_clustering.h>

// VTK 用于绘制连线
#include <vtkPolyLine.h>

// 类型定义（简化代码）
typedef pcl::PointXYZRGBA PointT;
typedef pcl::PointCloud<PointT> PointCloudT;
typedef pcl::PointNormal PointNT;
typedef pcl::PointCloud<PointNT> PointNCloudT;
typedef pcl::PointXYZL PointLT;
typedef pcl::PointCloud<PointLT> PointLCloudT;

作用：引入必要的库（IO、可视化、超体素聚类等），定义点云类型（简化代码）。

2. 辅助函数：绘制超体素邻接关系

void addSupervoxelConnectionsToViewer (PointT &supervoxel_center,
                                       PointCloudT &adjacent_supervoxel_centers,
                                       std::string supervoxel_name,
                                       pcl::visualization::PCLVisualizer::Ptr & viewer)
{
  // VTK 数据结构：点、线、多边形
  vtkSmartPointer<vtkPoints> points = vtkSmartPointer<vtkPoints>::New ();
  vtkSmartPointer<vtkCellArray> cells = vtkSmartPointer<vtkCellArray>::New ();
  vtkSmartPointer<vtkPolyLine> polyLine = vtkSmartPointer<vtkPolyLine>::New ();

  // 添加“超体素中心”到“邻接超体素中心”的连线
  for (auto adjacent_itr = adjacent_supervoxel_centers.begin (); adjacent_itr != adjacent_supervoxel_centers.end (); ++adjacent_itr)
  {
    points->InsertNextPoint (supervoxel_center.data);
    points->InsertNextPoint (adjacent_itr->data);
  }

  // 构建 VTK 多边形数据
  vtkSmartPointer<vtkPolyData> polyData = vtkSmartPointer<vtkPolyData>::New ();
  polyData->SetPoints (points);
  polyLine->GetPointIds  ()->SetNumberOfIds(points->GetNumberOfPoints ());
  for(unsigned int i = 0; i < points->GetNumberOfPoints (); i++)
    polyLine->GetPointIds ()->SetId (i,i);
  cells->InsertNextCell (polyLine);
  polyData->SetLines (cells);

  // 添加到可视化窗口
  viewer->addModelFromPolyData (polyData,supervoxel_name);
}

作用：用 VTK 绘制 “超体素中心” 与 “邻接超体素中心” 的连线，展示超体素的邻接关系。

3. 主函数：流程控制

int main (int argc, char ** argv)
{
  // 解析命令行参数
  if (argc < 2)
  {
    pcl::console::print_error ("参数错误！用法：...\n");
    return (1);
  }

  // 加载点云
  PointCloudT::Ptr cloud (new PointCloudT);
  pcl::console::print_highlight ("加载点云...\n");
  if (pcl::io::loadPCDFile<PointT> (argv[1], *cloud))
  {
    pcl::console::print_error ("加载点云失败！\n");
    return (1);
  }

  // 参数设置（默认值 + 命令行解析）
  bool disable_transform = pcl::console::find_switch (argc, argv, "--NT");
  float voxel_resolution = 0.008f;   // 体素大小
  float seed_resolution = 0.1f;     // 种子间距
  float color_importance = 0.2f;    // 颜色权重
  float spatial_importance = 0.4f;  // 空间权重
  float normal_importance = 1.0f;   // 法向量权重

  // 配置超体素聚类
  pcl::SupervoxelClustering<PointT> super (voxel_resolution, seed_resolution);
  if (disable_transform)
    super.setUseSingleCameraTransform (false); // 关闭单视角变换（适用于无序点云）
  super.setInputCloud (cloud);
  super.setColorImportance (color_importance);
  super.setSpatialImportance (spatial_importance);
  super.setNormalImportance (normal_importance);

  // 提取超体素
  std::map <std::uint32_t, pcl::Supervoxel<PointT>::Ptr > supervoxel_clusters;
  pcl::console::print_highlight ("提取超体素...\n");
  super.extract (supervoxel_clusters);
  pcl::console::print_info ("找到 %d 个超体素\n", supervoxel_clusters.size ());

  // 可视化准备
  pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer ("3D Viewer"));
  viewer->setBackgroundColor (0, 0, 0);

  // 显示体素中心
  PointCloudT::Ptr voxel_centroid_cloud = super.getVoxelCentroidCloud ();
  viewer->addPointCloud (voxel_centroid_cloud, "voxel centroids");
  viewer->setPointCloudRenderingProperties (...);

  // 显示带标签的体素
  PointLCloudT::Ptr labeled_voxel_cloud = super.getLabeledVoxelCloud ();
  viewer->addPointCloud (labeled_voxel_cloud, "labeled voxels");
  viewer->setPointCloudRenderingProperties (...);

  // 显示超体素法向量（可选）
  PointNCloudT::Ptr sv_normal_cloud = super.makeSupervoxelNormalCloud (supervoxel_clusters);
  // viewer->addPointCloudNormals (...); // 取消注释可显示法向量

  // 提取超体素邻接关系并可视化
  pcl::console::print_highlight ("获取超体素邻接关系...\n");
  std::multimap<std::uint32_t, std::uint32_t> supervoxel_adjacency;
  super.getSupervoxelAdjacency (supervoxel_adjacency);

  // 遍历邻接关系，绘制连线
  for (auto label_itr = supervoxel_adjacency.cbegin (); label_itr != supervoxel_adjacency.cend (); )
  {
    std::uint32_t supervoxel_label = label_itr->first;
    pcl::Supervoxel<PointT>::Ptr supervoxel = supervoxel_clusters.at (supervoxel_label);

    // 收集邻接超体素的中心
    PointCloudT adjacent_supervoxel_centers;
    for (auto adjacent_itr = ...; adjacent_itr != ...; ++adjacent_itr)
    {
      pcl::Supervoxel<PointT>::Ptr neighbor_supervoxel = ...;
      adjacent_supervoxel_centers.push_back (neighbor_supervoxel->centroid_);
    }

    // 绘制超体素中心与邻接中心的连线
    std::stringstream ss;
    ss << "supervoxel_" << supervoxel_label;
    addSupervoxelConnectionsToViewer (supervoxel->centroid_, adjacent_supervoxel_centers, ss.str (), viewer);

    // 移动迭代器到下一个超体素
    label_itr = supervoxel_adjacency.upper_bound (supervoxel_label);
  }

  // 持续可视化
  while (!viewer->wasStopped ())
  {
    viewer->spinOnce (100);
  }
  return (0);
}

4. 关键步骤解释

参数设置：voxel_resolution 控制体素大小，seed_resolution 控制种子间距，color_importance/spatial_importance/normal_importance 控制超体素扩展的 “特征距离” 权重。
超体素提取：用 SupervoxelClustering::extract 生成超体素，结果存在 supervoxel_clusters（标签 → 超体素指针的映射）。
可视化：
- voxel_centroid_cloud：体素中心（下采样后的点云）；
- labeled_voxel_cloud：带超体素标签的体素（颜色随机）；
- sv_normal_cloud：超体素的法向量（可选显示）；
- 邻接关系：用 addSupervoxelConnectionsToViewer 绘制超体素中心的连线，展示邻接关系。

四、运行流程

# 运行可执行文件（参数：点云文件 + 可选参数）
./supervoxel_clustering milk_cartoon_all_small_clorox.pcd --NT

milk_cartoon_all_small_clorox.pcd：输入点云文件；
--NT：关闭单视角变换（适用于无序点云，如 LiDAR 扫描）；
可添加其他参数（如 -v 0.01 调整体素大小，-s 0.2 调整种子间距），观察超体素变化。

五、结合点云图理解

_images/supervoxel_clustering_results.jpg

上方点云图包含瓶子、纸盒等物体，超体素聚类的作用是：

分割物体：每个物体被分成一个或多个超体素（颜色不同的区域）；
简化后续处理：用超体素替代原始点，后续算法（如识别、分割）只需处理少量超体素，效率更高；
邻接关系：超体素之间的连线展示了它们的邻接关系（哪些超体素属于同一物体或相邻物体）。

可以尝试调整参数（如 seed_resolution），观察超体素的大小和数量变化 —— 比如增大 seed_resolution，超体素会更大、数量更少。

总结：核心知识点

算法思想：用 “区域生长” 生成超体素，融合空间、颜色、法向量信息，贴合物体边界。
关键参数：体素大小、种子间距、颜色 / 空间 / 法向量权重，决定超体素的形状和分布。
适用场景：点云分割、识别的预处理，减少计算量，提升算法效率。

如果想更深入，建议修改参数（如权重、分辨率），观察超体素的变化，或者尝试处理自己的点云数据～

Ps.
pcl官方文档点云聚类成超体素 - 理论入门 — 点云库 0.0 文档 — Clustering of Pointclouds into Supervoxels - Theoretical primer — Point Cloud Library 0.0 documentation

内容源自pcl官方文档Introduction — Point Cloud Library 0.0 documentation

本文为基于 PCL 官方文档的学习整理与个人理解