（3）上兩篇介紹了關于歐幾裡德分割，條件分割，最小分割法等等還有之前就有用RANSAC法的分割方法，這一篇是關于區域生成的分割法，
區 域生長的基本 思想是： 将具有相似性的像素集合起來構成區域。首先對每個需要分割的區域找出一個種子像素作為生長的起點，然後将種子像素周圍鄰域中與種子有相同或相似性質的像素 （根據事先确定的生長或相似準則來确定）合并到種子像素所在的區域中。而新的像素繼續作為種子向四周生長，直到再沒有滿足條件的像素可以包括進來，一個區 域就生長而成了。
區域生長算法直覺感覺上和歐幾裡德算法相差不大，都是從一個點出發，最終占領整個被分割區域，歐幾裡德算法是通過距離遠近，對于普通點雲的區域生長，其可由法線、曲率估計算法獲得其法線和曲率值。通過法線和曲率來判斷某點是否屬于該類。
算法的主要思想是：首先依據點的曲率值對點進行排序，之是以排序是因為，區域生長算法是從曲率最小的點開始生長的，這個點就是初始種子點，初始種子點所在的區域即為最平滑的區域，從最平滑的區域開始生長可減少分割片段的總數，提高效率，設定一空的種子點序列和空的聚類區域，選好初始種子後，将其加入到種子點序列中，并搜尋鄰域點，對每一個鄰域點，比較鄰域點的法線與目前種子點的法線之間的夾角，小于平滑閥值的将目前點加入到目前區域，然後檢測每一個鄰域點的曲率值，小于曲率閥值的加入到種子點序列中，删除目前的種子點，循環執行以上步驟，直到種子序列為空，
其算法可以總結為：
種子周圍的臨近點和種子點雲相比較
法線的方向是否足夠相近
曲率是否足夠小
如果滿足1，2則該點可用做種子點
如果隻滿足1，則歸類而不做種
從某個種子出發，其“子種子”不再出現則一類聚集完成
類的規模既不能太大也不能太小
顯然，上述算法是針對小曲率變化面設計的。尤其适合對連續階梯平面進行分割：比如SLAM算法所獲得的建築走廊。
那麼就看一下代碼的效果
看一下結果
原始點雲
區域生成後的點雲
（4）基于顔色的區域生長分割法
除了普通點雲之外，還有一種特殊的點雲，成為RGB點雲。顯而易見，這種點雲除了結構資訊之外，還存在顔色資訊。将物體通過顔色分類，是人類在辨認果實的 過程中進化出的能力，顔色資訊可以很好的将複雜場景中的特殊物體分割出來。比如Xbox Kinect就可以輕松的捕捉顔色點雲。基于顔色的區域生長分割原理上和基于曲率，法線的分割方法是一緻的。隻不過比較目标換成了顔色，去掉了點雲規模上 限的限制。可以認為，同一個顔色且挨得近，是一類的可能性很大，不需要上限來限制。是以這種方式比較适合用于室内場景分割。尤其是複雜室内場景，顔色分割 可以輕松的将連續的場景點雲變成不同的物體。哪怕是高低不平的地面，沒法用采樣一緻分割器抽掉，顔色分割算法同樣能完成分割任務。
算法分為兩步：
（1）分割，目前種子點和領域點之間色差小于色差閥值的視為一個聚類
（2）合并，聚類之間的色差小于色差閥值和并為一個聚類，且目前聚類中點的數量小于聚類點數量的與最近的聚類合并在一起
檢視代碼
恩 就這樣實際應用就是調參數，
-------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------