求基于LAB色彩空间的PCL区域生长算法实现

我刚好也做过类似的需求，分享一下完整的实现思路和代码示例，分为几个关键步骤：

1. 自定义带LAB色彩的点类型 #

PCL原生没有直接支持LAB的点结构体，所以我们先定义一个包含XYZ和LAB分量的自定义点类型：

#include <pcl/point_types.h>

struct PointXYZLAB
{
    PCL_ADD_POINT4D; // 内置XYZ坐标
    float L, a, b;   // LAB色彩分量
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW
};

// 注册自定义点类型，让PCL可以识别
POINT_CLOUD_REGISTER_POINT_STRUCT(PointXYZLAB,
                                  (float, x, x)
                                  (float, y, y)
                                  (float, z, z)
                                  (float, L, L)
                                  (float, a, a)
                                  (float, b, b))

2. 实现RGB到LAB的转换 #

PCL本身没有提供RGB转LAB的工具，我们可以借助OpenCV的色彩空间转换功能来完成（如果没装OpenCV，也可以手动实现RGB转CIE XYZ再转LAB的公式，但OpenCV更简便）：

#include <opencv2/opencv.hpp>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>

void rgbToLAB(const pcl::PointXYZRGB& rgb_point, PointXYZLAB& lab_point)
{
    // 复制XYZ坐标
    lab_point.x = rgb_point.x;
    lab_point.y = rgb_point.y;
    lab_point.z = rgb_point.z;

    // 将PCL的RGB格式（RGB顺序，0-255）转换为OpenCV的BGR格式
    cv::Mat rgb_mat(1, 1, CV_8UC3);
    rgb_mat.at<cv::Vec3b>(0, 0)[0] = rgb_point.b;
    rgb_mat.at<cv::Vec3b>(0, 0)[1] = rgb_point.g;
    rgb_mat.at<cv::Vec3b>(0, 0)[2] = rgb_point.r;

    // RGB转LAB
    cv::Mat lab_mat;
    cv::cvtColor(rgb_mat, lab_mat, cv::COLOR_BGR2Lab);

    // 转换为浮点型并调整a、b分量的范围（从0-255转为-128到127）
    lab_point.L = static_cast<float>(lab_mat.at<cv::Vec3b>(0, 0)[0]);
    lab_point.a = static_cast<float>(lab_mat.at<cv::Vec3b>(0, 0)[1]) - 128.0f;
    lab_point.b = static_cast<float>(lab_mat.at<cv::Vec3b>(0, 0)[2]) - 128.0f;
}

// 批量转换整个点云
pcl::PointCloud<PointXYZLAB>::Ptr convertRGBCloudToLAB(const pcl::PointCloud<pcl::PointXYZRGB>::Ptr& rgb_cloud)
{
    auto lab_cloud = std::make_shared<pcl::PointCloud<PointXYZLAB>>();
    lab_cloud->resize(rgb_cloud->size());

    for (size_t i = 0; i < rgb_cloud->size(); ++i)
    {
        rgbToLAB((*rgb_cloud)[i], (*lab_cloud)[i]);
    }

    return lab_cloud;
}

3. 自定义LAB色彩空间的区域生长相似性判断 #

PCL的RegionGrowing类允许我们重写相似性判断逻辑，我们需要替换原有的RGB色彩相似度计算为LAB空间的距离计算（推荐用欧氏距离，或者更精准的CIEDE2000色差公式）：

#include <pcl/segmentation/region_growing.h>
#include <pcl/features/normal_3d.h>

class RegionGrowingLAB : public pcl::RegionGrowing<PointXYZLAB, pcl::Normal>
{
protected:
    bool isSimilar(const PointXYZLAB& point_a, const PointXYZLAB& point_b, float distance) override
    {
        // 计算LAB色彩的欧氏距离
        float delta_L = point_a.L - point_b.L;
        float delta_a = point_a.a - point_b.a;
        float delta_b = point_a.b - point_b.b;
        float color_distance = sqrt(delta_L*delta_L + delta_a*delta_a + delta_b*delta_b);

        // 如果需要更精准的色差，可以替换为CIEDE2000算法（需要额外实现）
        // float color_distance = calculateCIEDE2000(point_a, point_b);

        // 法线相似度判断（如果不需要法线约束，可以删除这部分）
        float normal_angle_threshold = this->getAngleThreshold();
        if (pcl::getAngle3D(point_a.getNormalVector4fMap(), point_b.getNormalVector4fMap()) > normal_angle_threshold)
        {
            return false;
        }

        // 色彩相似度阈值（根据你的数据调整，一般10-20之间比较合适）
        return (color_distance < this->getColorThreshold());
    }
};

4. 完整的区域生长流程 #

把上面的部分整合起来，实现完整的LAB区域生长：

int main()
{
    // 假设你已经有了输入的RGB点云 rgb_cloud
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr rgb_cloud = ...;

    // 1. 转换为LAB点云
    auto lab_cloud = convertRGBCloudToLAB(rgb_cloud);

    // 2. 计算法线（如果需要法线约束，不需要的话可以跳过这一步）
    pcl::NormalEstimation<PointXYZLAB, pcl::Normal> ne;
    pcl::PointCloud<pcl::Normal>::Ptr normals = std::make_shared<pcl::PointCloud<pcl::Normal>>();
    auto tree = std::make_shared<pcl::search::KdTree<PointXYZLAB>>();
    tree->setInputCloud(lab_cloud);

    ne.setInputCloud(lab_cloud);
    ne.setSearchMethod(tree);
    ne.setKSearch(20); // 调整邻域大小
    ne.compute(*normals);

    // 3. 初始化并配置LAB区域生长
    RegionGrowingLAB reg;
    reg.setInputCloud(lab_cloud);
    reg.setInputNormals(normals); // 如果不需要法线，注释掉这行
    reg.setSearchMethod(tree);
    reg.setMinClusterSize(50); // 最小聚类大小
    reg.setMaxClusterSize(100000); // 最大聚类大小
    reg.setAngleThreshold(M_PI / 18.0); // 法线夹角阈值（10度，不需要的话可以设为0）
    reg.setColorThreshold(15.0); // LAB色彩距离阈值，根据数据调整
    reg.setSmoothnessThreshold(0.1); // 平滑度阈值，可选

    // 4. 提取聚类结果
    std::vector<pcl::PointIndices> clusters;
    reg.extract(clusters);

    // 后续处理聚类结果...
    return 0;
}

注意事项 #

• 阈值调整：LAB空间的色彩距离阈值需要根据你的数据集调整，一般10-20之间能得到较好的结果；法线阈值则根据点云的平滑程度设置。
• CIEDE2000色差：如果需要更贴合人眼感知的色差判断，可以实现CIEDE2000算法替换欧氏距离，不过计算量会有所增加。
• 无法线模式：如果不需要空间几何约束，可以使用pcl::RegionGrowing<PointXYZLAB>（不带法线的版本），重写isSimilar时只判断色彩距离即可。

内容的提问来源于stack exchange，提问作者Tiago A. Silva