基于傳統方法點雲分割以及PCL中分割子產品

之前在微信公衆号中更新了以下幾個章節

1，如何學習PCL以及一些基礎的知識

2，PCL中IO口以及common子產品的介紹

3，PCL中常用的兩種資料結構KDtree以及Octree樹的介紹

前言

三維點雲分割是将同屬性的點雲物體分割出來，以便于單獨對該點雲物體處理，但是由于點雲資料是一種高備援度，且不均勻的資料結構，是以點雲分割具有一定挑戰性，

點雲庫于（PCL）2011年推出以來，得到行業廣泛的應用，該庫包含了最先進的3D感覺算法，并包含了LIDAR和三維掃描器的接口，這使得點雲庫PCL在機器人領域持續不斷的發展壯大起來。至今為止已經更新到了1.9.1版本。在圖像分割中常常用到前景與背景的分割處理，而在點雲進行中，對于給定點雲資料，分割的目标是将具有相似特征的點聚類成均勻區域，根據分割結果應用于各個方面的場景分析，一般的方法時根據輸入點雲的網格建構圖形，使用邊界線的法線，平滑度或者是凹凸性等資訊進行聚類分割，在文章【1】中調查了分割的方法有：凹凸性分割，分水嶺分析，層次聚類，區域增長以及頻譜聚類。這些方法不僅是應用圖像，也廣泛的應用于點雲資料的分割。

在計算機視覺中，2D圖像的分割是一個很經典的問題，并且已經有着十幾年的研究曆史，其中基于傳統的方法比較流行有Graph Cuts[2],包含了Normalized Cuts和Min Cuts 這些方法的思想同樣适應于3D點雲的分割，并且這部分内容在PCL中都已經開源。

點雲分割算法應該具有以下三種重要的屬性：

（1）比如樹木是具有與汽車相差別的特征的ÿ