PCL分割——欧几里得聚簇

该算法通过距离连通性作为判据，从任意种子点出发，利用近邻搜索不断向外扩展，最终将点云划分为多个空间上彼此独立的连通点云簇。

算法流程

1️⃣ 构建空间搜索结构
对输入的无组织点云 (P) 构建 Kd-tree，用于后续高效的邻域（半径）搜索。
2️⃣ 初始化容器
初始化一个空的聚类集合 (C)，以及一个用于存放当前待处理点的队列Q，同时标记所有点为“未处理”。
3️⃣ 选择种子点并开始生长
从点云中选取一个尚未处理的点作为种子点，将其加入队列Q。
4️⃣ 基于距离的邻域扩展
对队列 (Q) 中的每一个点：

• 在半径 \(r < d_{th}\) 的球形邻域内查找近邻点；
• 对满足距离条件且尚未处理的邻域点，将其加入队列Q，并标记为已处理；
• 新加入的点继续参与邻域搜索，形成类似“洪水填充”的扩展过程。

5️⃣ 形成簇并遍历全部点云
当队列Q中不再有新点加入时，将Q作为一个完整的点云簇加入集合C，清空Q，并从下一个未处理点重新开始，直到所有点都被划分到某个簇中。

使用示例

// 使用KdTree进行半径搜索
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud (cloud_filtered);

std::vector<pcl::PointIndices> cluster_indices;
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance (0.02); // 2cm
ec.setMinClusterSize (100);
ec.setMaxClusterSize (25000);
ec.setSearchMethod (tree);
ec.setInputCloud (cloud_filtered);
ec.extract (cluster_indices);