PCL: Segmentation模块之SACSegmentation点云分割

小结：

        采样一致性分割算法的目的主要是从原点云中提取目标模型，比如说面，球体，圆柱等等，从而为后续的目标识别或者点云匹配等等做准备。

        使用此算法之前应该先熟悉PCL中的采样一致性（sample consensus）模块，里边包含了模型（平面、直线等）和采样方法（RANSAC、LMedS等）的一些枚举变量，一些核心的算法也包含其中，我们可以使用不同的方法提取不同的模型。

详细介绍：

参数输入输出：

        此类由基类PCLBase派生，生成对象方式也很简单，如下：

Pcl:: SACSegmentation<PointT> sac

成员函数：

        这里我就不一一介绍所有的成员函数了，只是把几个非常重要的成员函数给列出来，并给出其的使用方法。

1. inline void setModelType (int model) 所提取目标模型的属性（平面、球、圆柱等等）。
   
2. inline voidsetMethodType (int method)采样方法（RANSAC、LMedS等）。
   
3. inline void setDistanceThreshold (doublethreshold) 查询点到目标模型的距离阈值（如果大于此阈值，则查询点不在目标模型上，默认值为0）。
   
4. inline void setMaxIterations (intmax_iterations) 最大迭代次数（默认值为50）。
   
5. inline void setProbability (double probability) 至少一个样本不包含离群点的概率（默认值为0.99）。
   
6. virtual void segment (PointIndices &inliers,ModelCoefficients &model_coefficients) 输出提取点的索引和目标模型的参数。
   

效果展示：

        PCL版本为1.7.1，IDE为vs2010Sp1，实验样本为PCL官网提供的小桌子。

        源码和源点云文件我已上传到CSDN（ 点此下载）。所需要的核心代码如下（我只是列出了部分需要设定参数的代码）：

// segmentation
pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
pcl::SACSegmentation<pcl::PointXYZ> sac;
sac.setInputCloud(cloud_source);
sac.setMethodType(pcl::SAC_RANSAC);
sac.setModelType(pcl::SACMODEL_PLANE);
sac.setDistanceThreshold(0.01);
sac.setMaxIterations(100);
sac.setProbability(0.95);
sac.segment(*inliers, *coefficients);

        运行结果如下：

        把地面提取出来了。

        当然，如果PassThrough滤波还能很简单的把桌子表面提取出来。

    对了我的邮箱为 [e-mail] ，我也是刚刚接触这个领域，希望与大家多多交流共同学习、共同进步。