Region growing
- 计算每个点的曲率，然后根据曲率大小排序，成为列表A。
- 清空seeds_c, region_c。从A取出曲率最小的那一个，同时放进seeds_c和region_c中，同时从A中去除这一个元素。
- 遍历seeds_c中的元素，寻找里面每一个点（本位点）的邻域点。遍历邻域点，如果A中包含了某个邻域点，并且这个邻域点和本位点的法向量角度偏差小于阈值，则把这个邻域点放进region_c中。从A中去除这个元素。如果这个邻域点的曲率小于阈值，则把这个邻域点放进seeds_c中。
- 将region_c放进region中
- 如果A非空，则从第2步开始重复
「注：_c后缀表示“当前的”。“放进“表示集合取并。第3步中改变的seeds_c仅对遍历邻域点有效，随后被清空。」
参考文献
补充：点云法向量的提取
提取点云中法向量，可以1）先从点云数据中拟合曲面，再计算曲面上的法向量。2）直接从点云数据中计算近似的法向量。
我们使用的是后者。
我们把曲面的法向量问题近似为平面的法向量问题，则可以用主成分分析法PCA拟合平面。将一个点及其邻域点写成矩阵，并将每一维归一化为零均值（减去各维的平均值），然后计算协方差矩阵的特征值和特征向量。「由于均值为0，则协方差矩阵=零均值矩阵・零均值矩阵转置/矩阵中元素数目。」最大特征值对应的特征向量就是平面法向量。
上述算法存在的问题在于，计算出的法向量，有可能向里，也有可能向外，是不统一不连续的。因此还需要再增加一个判别：. 其中是观察点，是点云中的点，是处的法向量。（相当于指定所有法向量都向外）
算法中邻域大小由需要分辨的细节的大小来决定。需要分辨的特征越大，则邻域可以取得越大；反之越小。
在PCL中可以使用现成的函数：
参考文献
