このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

pcsegdist

ユークリッド距離に基づいて点群をクラスターにセグメント化する

構文

labels = pcsegdist(ptCloud,minDistance)

[labels,numClusters] = pcsegdist(ptCloud,minDistance)

[___] = pcsegdist(___,Name=Value)

説明

labels = pcsegdist(ptCloud,minDistance) は、異なるクラスターの点の間の最小ユークリッド距離 minDistance を使用して点群をクラスターにセグメント化します。pcsegdist は点群の各点に整数クラスター ラベルを割り当て、すべての点の labels を返します。

[labels,numClusters] = pcsegdist(ptCloud,minDistance) はクラスター数も返します。

[___] = pcsegdist(___,Name=Value) は、名前と値の引数を使用してプロパティを設定します。たとえば、labels = pcsegdist(ptCloud,minDistance,NumClusterPoints=[1,Inf]) は、各クラスターの点の最小数と最大数を [1,Inf] に設定します。

例

ユークリッド距離に基づいた点群のクラスター化

2 つの同心球を作成して、それらを組み合わせます。

[X,Y,Z] = sphere(100);
loc1 = [X(:),Y(:),Z(:)];
loc2 = 2*loc1;
ptCloud = pointCloud([loc1;loc2]);
pcshow(ptCloud)
title('Point Cloud')

クラスター間の最小ユークリッド距離を設定します。

minDistance = 0.5;

点群をセグメント化します。

[labels,numClusters] = pcsegdist(ptCloud,minDistance);

ラベル付けした結果をプロットします。点は 2 つのクラスターにグループ化されます。

pcshow(ptCloud.Location,labels)
colormap(hsv(numClusters))
title('Point Cloud Clusters')

ユークリッド距離に基づいた LiDAR 点群のクラスター化

オーガナイズド LiDAR 点群をワークスペースに読み込みます。

ld = load('drivingLidarPoints.mat');

グランド プレーンを検出します。距離はメートル単位で測定されます。

maxDistance = 0.9;
referenceVector = [0 0 1];
[~,inliers,outliers] = pcfitplane(ld.ptCloud,maxDistance,referenceVector);

グランド プレーンの点を削除します。

ptCloudWithoutGround = select(ld.ptCloud,outliers);

クラスターごとに最低 10 個の点で点群をクラスター化します。

minDistance = 2;
minPoints = 10;
[labels,numClusters] = pcsegdist(ptCloudWithoutGround,minDistance,'NumClusterPoints',minPoints);

ラベル値が 0 の点を削除します。

idxValidPoints = find(labels);
labelColorIndex = labels(idxValidPoints);
segmentedPtCloud = select(ptCloudWithoutGround,idxValidPoints);

ラベル付けした結果をプロットします。

figure
colormap(hsv(numClusters))
pcshow(segmentedPtCloud.Location,labelColorIndex)
title('Point Cloud Clusters')

入力引数

ptCloud — 点群

pointCloud オブジェクト

点群。pointCloud オブジェクトとして指定します。

minDistance — 最小ユークリッド距離

正のスカラー

異なる 2 つのクラスターの点間の最小ユークリッド距離。正のスカラーとして指定します。

データ型: single | double

名前と値の引数

例: ParallelNeighborSearch=false は、ParallelNeighborSearch を false に設定します。

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

NumClusterPoints — 各クラスターの点の最小数と最大数

[1,Inf] (既定値) | 2 要素ベクトル | スカラー

各クラスターの点の最小数と最大数。スカラーまたは [minPoints,maxPoints] の形式の 2 要素ベクトルとして指定します。NumClusterPoints をスカラーとして指定した場合、クラスター内の点の最大数は無制限になります。クラスターが指定された範囲の外にある場合、関数は labels を 0 に設定します。

ParallelNeighborSearch — 点群データをセグメント化するための並列近傍探索

false (既定値) | true

点群データをセグメント化するための並列近傍探索。true または false として指定します。クラスター 1 個あたりの点が 100 個未満で、クラスターが約 50 個以上になる可能性があるときは、このプロパティを true に設定します。

一部のデータセットでは、並列近傍探索によってセグメンテーション速度が向上します。どれだけ速度が向上するかは、データセットと minDistance 入力の値によって異なります。

出力引数

labels — クラスター ラベル

M 行 1 列のベクトル | M 行 N 列の行列

クラスター ラベル。次のいずれかとして返されます。

• 点群 ptCloud が点の位置をアンオーガナイズドの M 行 3 列の行列として格納している場合、labels は M 行 1 列のベクトルです。

• 点群 ptCloud が点の位置をオーガナイズドの M×N×3 の行列として格納している場合、labels は M 行 N 列の行列です。

点群の各点には、labels の対応する要素によって指定されたクラスター ラベルがあります。各ラベルの値は 0 から有効な点のクラスター数 numClusters までの整数です。値 0 は、座標が Inf または NaN の点など、無効な点のために予約されています。

データ型: uint32

numClusters — クラスターの数

正の整数

クラスターの数。正の整数として返されます。クラスターの数は、無効な点のために予約されているラベル値 0 が除外されます。この関数は、ptCloud オブジェクトの Location プロパティの値が single の場合、numClusters を single データ型として返します。それ以外の場合、関数は double データ型として値を返します。

データ型: single | double

拡張機能

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

GPU コード生成

GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

使用上の注意および制限:

• 生成された CUDA^® コードは、[1] と [2] で説明されているアルゴリズムの組み合わせを使用して、点群をクラスターにセグメント化します。生成されたコードからの出力は、MATLAB^® シミュレーションの結果とわずかに異なる場合があります。

• 名前と値の引数 NumClusterPoints は GPU コード生成でサポートされていません。

参照

[1] Andrade, Guilherme, Gabriel Ramos, Daniel Madeira, Rafael Sachetto, Renato Ferreira, and Leonardo Rocha. “G-DBSCAN: A GPU Accelerated Algorithm for Density-Based Clustering.” Procedia Computer Science 18 (2013): 369–78. https://doi.org/10.1016/j.procs.2013.05.200.

[2] Kalentev, Oleksandr, Abha Rai, Stefan Kemnitz, and Ralf Schneider. “Connected Component Labeling on a 2D Grid Using CUDA.” Journal of Parallel and Distributed Computing 71, no. 4 (April 2011): 615–20. https://doi.org/10.1016/j.jpdc.2010.10.012.

バージョン履歴

R2018a で導入

参考

オブジェクト

• pointCloud

関数

• pcdenoise | pcfitplane | pcshow | segmentLidarData | pcbin