PCL点云处理实战：如何高效获取不参与欧式聚类的点云数据（C++实现）

1次阅读

没有评论

共计 3235 个字符，预计需要花费 9 分钟才能阅读完成。

欧式聚类 (Euclidean Cluster Extraction) 是点云处理中最常用的分割算法之一，广泛应用于物体识别、场景分割等任务。其核心思想是将空间中距离相近的点划分为同一簇，典型的应用场景包括：

自动驾驶中的障碍物检测
工业机器人抓取时的物体分离
三维重建中的场景分割

但实际应用中我们经常遇到一个被忽视的需求：如何获取那些未被任何聚类包含的点云数据？这些点可能是：

噪声点（传感器误差）
离群点（真实但孤立的物体）
特殊结构（如细长线缆）

传统做法是简单认为这些点都是噪声直接丢弃，但在许多场景下它们可能包含关键信息。接下来我们将通过 PCL 库实现这一需求。

首先确保已安装 PCL 1.8+ 版本，推荐使用 Ubuntu 系统搭配 ROS 的预编译包。CMakeLists.txt 基础配置如下：

cmake_minimum_required(VERSION 3.5)
project(pcl_cluster_diff)

find_package(PCL 1.8 REQUIRED)

add_executable(cluster_diff cluster_diff.cpp)
target_link_libraries(cluster_diff ${PCL_LIBRARIES})

执行聚类前需要理解三个核心参数：

cluster_tolerance：点间距阈值（单位：米），决定两点是否属于同一簇
min_cluster_size：有效簇的最小点数（过滤噪声簇）
max_cluster_size：有效簇的最大点数（避免过度合并）

典型参数设置原则：

室内场景：tolerance 建议 0.02-0.05m
室外场景：tolerance 建议 0.1-0.3m
最小点数根据目标物体尺寸调整

#include <pcl/point_types.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/io/pcd_io.h>

using namespace pcl;

int main(int argc, char** argv) {
  // 1. 加载点云
  PointCloud<PointXYZ>::Ptr cloud(new PointCloud<PointXYZ>);
  if (io::loadPCDFile("input.pcd", *cloud) == -1) {
    std::cerr << "Failed to load file!" << std::endl;
    return -1;
  }

  // 2. 创建 KDTree 加速搜索
  search::KdTree<PointXYZ>::Ptr tree(new search::KdTree<PointXYZ>);
  tree->setInputCloud(cloud);

  // 3. 执行欧式聚类
  std::vector<PointIndices> cluster_indices;
  EuclideanClusterExtraction<PointXYZ> ec;
  ec.setClusterTolerance(0.02);  // 2cm
  ec.setMinClusterSize(100);     // 最少 100 个点
  ec.setMaxClusterSize(25000);   // 最多 25000 个点
  ec.setSearchMethod(tree);
  ec.setInputCloud(cloud);
  ec.extract(cluster_indices);

  // 4. 计算所有聚类点的并集
  std::vector<int> clustered_indices;
  for (const auto& indices : cluster_indices) {clustered_indices.insert(clustered_indices.end(), 
                            indices.indices.begin(), 
                            indices.indices.end());
  }
  std::sort(clustered_indices.begin(), clustered_indices.end());

  // 5. 计算未聚类点的索引（差集运算）std::vector<int> unclustered_indices(cloud->size());
  std::iota(unclustered_indices.begin(), unclustered_indices.end(), 0);

  std::vector<int> diff_indices;
  std::set_difference(unclustered_indices.begin(), unclustered_indices.end(),
                     clustered_indices.begin(), clustered_indices.end(),
                     std::inserter(diff_indices, diff_indices.begin()));

  // 6. 提取未聚类点云
  PointCloud<PointXYZ>::Ptr unclustered_cloud(new PointCloud<PointXYZ>);
  ExtractIndices<PointXYZ> extract;
  extract.setInputCloud(cloud);
  extract.setIndices(boost::make_shared<std::vector<int>>(diff_indices));
  extract.setNegative(false); // 直接提取（非反选）extract.filter(*unclustered_cloud);

  // 7. 保存结果
  io::savePCDFile("clustered.pcd", *unclustered_cloud);
  return 0;
}

代码关键点说明：

set_difference算法计算索引差集
ExtractIndices过滤器实现高效点云提取
使用 RAII 管理所有智能指针

搜索半径应略大于cluster_tolerance
使用 setEpsilon 调整近似搜索精度

tree->setEpsilon(0.001);  // 提高搜索精度
tree->setMinPts(10);      // 最小邻域点数

对于超大规模点云（>100 万点）：

先进行体素化降采样
使用 OpenMP 加速索引计算

#pragma omp parallel for
for (size_t i = 0; i < cluster_indices.size(); ++i) {// 并行处理每个簇}

可能原因：

cluster_tolerance设置过小
点云存在大量噪声（建议先执行统计离群点过滤）

检查步骤：

确认原始点云是否已加载
检查聚类参数是否过于宽松

获取到的未聚类点可进一步用于：

离群点检测：

pcl::StatisticalOutlierRemoval<PointXYZ> sor;
sor.setMeanK(50);
sor.setStddevMulThresh(1.0);

二次聚类：对未聚类点使用 DBSCAN 算法
特征分析：计算法向量、曲率等特征

算法类型	优点	缺点	适用场景
欧式聚类	速度快，参数简单	仅基于距离	简单物体分割
DBSCAN	可发现任意形状簇	参数敏感	复杂场景
区域生长	可结合颜色 / 法线	依赖种子点	同质区域分割