点云分割可谓点云处理的精髓，也是三维图像相对二维图像最大优势的体现。不过多插一句，自Niloy J Mitra教授的Global contrast based salient region detection出现，最优分割到底鹿死谁手还不好说。暂且不论他开挂的图像处理算法，先安心做一个PCL吹~
点云分割的目的提取点云中的不同物体，从而实现分而治之，突出重点，单独处理的目的。而在现实点云数据中，往往对场景中的物体有一定先验知识。比如：桌面墙面多半是大平面，桌上的罐子应该是圆柱体，长方体的盒子可能是牛奶盒......对于复杂场景中的物体，其几何外形可以归结于简单的几何形状。这为分割带来了巨大的便利，因为简单几何形状是可以用方程来描述的，或者说，可以用有限的参数来描述复杂的物体。而方程则代表的物体的拓扑抽象。于是，RanSaC算法可以很好的将此类物体分割出来。
RanSaC算法（随机采样一致）原本是用于数据处理的一种经典算法，其作用是在大量噪声情况下，提取物体中特定的成分。下图是对RanSaC算法效果的说明。图中有一些点显然是满足某条直线的，另外有一团点是纯噪声。目的是在大量噪声的情况下找到直线方程，此时噪声数据量是直线的3倍。
如果用最小二乘法是无法得到这样的效果的，直线大约会在图中直线偏上一点。关于随机采样一致性算法的原理，在wiki百科上讲的很清楚，甚至给出了伪代码和matlab,C代码。见网址https://en.wikipedia.org/wiki/RANSAC. 我想换一个不那么严肃或者说不那么学术的方式来解释这个算法。
实际上这个算法就是从一堆数据里挑出自己最心仪的数据。所谓心仪当然是有个标准（目标的形式:满足直线方程？满足圆方程？以及能容忍的误差e）。平面中确定一条直线需要2点，确定一个圆则需要3点。随机采样算法，其实就和小女生找男朋友差不多。
显然，如果一个女生按照上面的方法找男朋友，最后一定会嫁一个好的（我们会得到心仪的分割结果）。只要这个模型在直观上存在，该算法就一定有机会把它找到。优点是噪声可以分布的任意广，噪声可以远大于模型信息。
这个算法有两个缺点，第一，必须先指定一个合适的容忍误差e。第二，必须指定迭代次数作为收敛条件。
综合以上特性，本算法非常适合从杂乱点云中检测某些具有特殊外形的物体。
PCL支持了大量几何模型的RanSaC检测，可以非常方便的对点云进行分割。其调用方法如下：
//创建一个模型参数对象，用于记录结果 pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients); //inliers表示误差能容忍的点 记录的是点云的序号 pcl::PointIndices::Ptr inliers (new pcl::PointIndices); // 创建一个分割器 pcl::SACSegmentation<pcl::PointXYZ> seg; // Optional seg.setOptimizeCoefficients (true); // Mandatory-设置目标几何形状 seg.setModelType (pcl::SACMODEL_PLANE); //分割方法：随机采样法 seg.setMethodType (pcl::SAC_RANSAC); //设置误差容忍范围 seg.setDistanceThreshold (0.01); //输入点云 seg.setInputCloud (cloud); //分割点云 seg.segment (*inliers, *coefficients);
除了平面以外，PCL几乎支持所有的几何形状。作为点云分割的基础算法，RanSaC很强大且必收敛，可以作为机器人抓取，识别等后续任务的前处理。
