PCL_点云分割_最小割算法

普遍应用于前背景分割，立体视觉、抠图等。

GraphCuts图是在普通图的基础上多了2个顶点，这2个顶点分别用符号**”S”和”T”**表示，统称为终端顶点。其它所有的顶点都必须和这2个顶点相连形成边集合中的一部分。所以Graph Cuts中有两种顶点，也有两种边。
第一种顶点和边是：第一种普通顶点对应于图像中的每个像素。每两个邻域顶点（对应于图像中每两个邻域像素）的连接就是一条边。这种边也叫n-links。
第二种顶点和边是：除图像像素外，还有另外两个终端顶点，叫S（source：源点，取源头之意）和T（sink：汇点，取汇聚之意）。每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。这种边也叫t-links。
PCL中实现最小割算法：
（1）构造图：对于一个给出的点云，算法会以点云中每一个点，另加一个source（源点）、一个sink（汇点），作为GraphCut图的顶点；点云中每个点与其近邻连线所形成的边叫n-links，与sink、source连线形成的边叫t-links。
（2）对边赋权值：

（3）最小割计算：将点云分为前景和背景。
代码:

#include <iostream>
#include <vector>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/min_cut_segmentation.h>
//#include <pcl/console/print.h>
//#include <pcl/console/parse.h>
//#include <pcl/console/time.h>
//using namespace pcl::console;
int main()
{
/*	if (argc<2)
	{
		std::cout << ".exe xx.pcd -bc 1 -fc 1.0 -nc 0 -cx 68.97 -cy -18.55 -cz 0.57 -s 0.25 -r 3.0433856 -non 14 -sw 0.5" << endl;

		return 0;
	}//如果输入参数小于1个，输出提示信息
	time_t start, end, diff[5], option;
	start = time(0);
	*/
	int NumberOfNeighbours = 14;//设置默认参数
	bool Bool_Cuting = false;//设置默认参数
	float far_cuting = 1, near_cuting = 0, C_x = 0.071753, C_y = -0.309913, C_z = 1.603000, Sigma = 0.25, Radius = 0.8, SourceWeight = 0.5;//设置默认输入参数
	pcl::PointCloud <pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud <pcl::PointXYZ>);// 创建一个PointCloud <pcl::PointXYZRGB>共享指针并进行实例化
	if (pcl::io::loadPCDFile <pcl::PointXYZ>("min_cut_segmentation_tutorial.pcd", *cloud) == -1)// 加载点云数据
	{
		std::cout << "Cloud reading failed." << std::endl;
		return (-1);
	}

/*	parse_argument(argc, argv, "-bc", Bool_Cuting);
	parse_argument(argc, argv, "-fc", far_cuting);
	parse_argument(argc, argv, "-nc", near_cuting);

	parse_argument(argc, argv, "-cx", C_x);
	parse_argument(argc, argv, "-cy", C_y);
	parse_argument(argc, argv, "-cz", C_z);

	parse_argument(argc, argv, "-s", Sigma);
	parse_argument(argc, argv, "-r", Radius);
	parse_argument(argc, argv, "-non", NumberOfNeighbours);
	parse_argument(argc, argv, "-sw", SourceWeight);//设置输入参数方式
*/
	pcl::IndicesPtr indices(new std::vector <int>);//创建一组索引
	if (Bool_Cuting)//判断是否需要直通滤波
	{
		pcl::PassThrough<pcl::PointXYZ> pass;//设置直通滤波器对象
		pass.setInputCloud(cloud);//设置输入点云
		pass.setFilterFieldName("z");//设置指定过滤的维度
		pass.setFilterLimits(near_cuting, far_cuting);//设置指定纬度过滤的范围
		pass.filter(*indices);//执行滤波，保存滤波结果在上述索引中

	}
	pcl::MinCutSegmentation<pcl::PointXYZ> seg;//创建一个PointXYZRGB类型的区域生长分割对象
	seg.setInputCloud(cloud);//设置输入点云
	if (Bool_Cuting)seg.setIndices(indices);//设置输入点云的索引

	pcl::PointCloud<pcl::PointXYZ>::Ptr foreground_points(new pcl::PointCloud<pcl::PointXYZ>());//创建一个PointCloud <pcl::PointXYZRGB>共享指针并进行实例化
	pcl::PointXYZ point;//定义中心点并赋值

	point.x = C_x;
	point.y = C_y;
	point.z = C_z;
	foreground_points->points.push_back(point);
	seg.setForegroundPoints(foreground_points);//输入前景点云（目标物体）的中心点

	seg.setSigma(Sigma);//设置平滑成本的Sigma值
	seg.setRadius(Radius);//设置背景惩罚权重的半径
	seg.setNumberOfNeighbours(NumberOfNeighbours);//设置临近点数目
	seg.setSourceWeight(SourceWeight);//设置前景惩罚权重

	std::vector <pcl::PointIndices> clusters;
	seg.extract(clusters);//获取分割的结果，分割结果保存在点云索引的向量中。

	std::cout << "Maximum flow is " << seg.getMaxFlow() << std::endl;//计算并输出分割期间所计算出的流值

	pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = seg.getColoredCloud();//对前景点赋予红色，对背景点赋予白色。
	pcl::visualization::PCLVisualizer viewer("点云库PCL学习教程第二版-最小割分割方法");
	viewer.addPointCloud(colored_cloud);
	viewer.addSphere(point, Radius, 122, 122, 0, "sphere");
	viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_OPACITY, 0.2, "sphere");

	while (!viewer.wasStopped())
	{
		viewer.spin();
	}//进行可视化

	return (0);
}

点云显示的时候vtk出错了，以后再调试！

来源：CSDN

作者：杉木~

链接：https://blog.csdn.net/zhan_zhan1/article/details/104754016