今天讲一下论文里的Polygon Extraction部分：

Algorithm 1: Create binary image I from points in S

// Algorithm 1: Create binary image I from points in S void ContourDetector::UpdateImgMatWithCloud(const PointCloudPtr& pc, cv::Mat& img_mat) {    int row_idx, col_idx, inf_row, inf_col;    const std::vector inflate_vec{-1, 0, 1};   //to expand the spot in img    for (const auto& pcl_p : pc->points) {   //把pc->points里的点取出来赋值给pcl_p this->PointToImgSub(pcl_p, odom_pos_, row_idx, col_idx, false, false);  //通过一层PointTOImgSub 更新row_idx和col_idx if (!this->IsIdxesInImg(row_idx, col_idx)) continue;    //如果该点不在图的范围内，直接跳过 for (const auto& dr : inflate_vec) {     for (const auto& dc : inflate_vec) {  inf_row = row_idx+dr, inf_col = col_idx+dc;  //这个inf_row 和 inf_col 是干嘛的？？把位置放大？1x1的变成3x3的  if (this->IsIdxesInImg(inf_row, inf_col)) {      img_mat.at(inf_row, inf_col) += 1.0; //把图里(inf_row, inf_col)的位置内容+1  }     } }    }    if (!FARUtil::IsStaticEnv) { cv::threshold(img_mat, img_mat, cd_params_.kThredValue, 1.0, cv::ThresholdTypes::THRESH_BINARY);    }    if (cd_params_.is_save_img) this->SaveCurrentImg(img_mat);}

        这部分的代码简明扼要，就是从三维点云信息创建二值图像。获取到点云的Point后，通过PointToImgSub得到对应二值图片的位置点，在通过inflate_vec{-1, 0, 1}将区域进行膨胀。也就是原来1x1的点，变成了一个3x3的小方块。

        同时函数还提供了一个开放接口，可以让你看到点云被压缩到二值图像上的画面。

        if (cd_params_.is_save_img) this->SaveCurrentImg(img_mat) 这部分可以去yaml里改配置文件，将is_save_img设置为true。

        这个就是点云映射后的二值图片了。

        之后就要对其进行模糊 

Algorithm 1:Apply average fifilter to generate blurred image Iblur

void ContourDetector::ResizeAndBlurImg(const cv::Mat& img, cv::Mat& Rimg) {    img.convertTo(Rimg, CV_8UC1, 255);    cv::resize(Rimg, Rimg, cv::Size(), cd_params_.kRatio, cd_params_.kRatio,  cv::InterpolationFlags::INTER_LINEAR);    cv::boxFilter(Rimg, Rimg, -1, cv::Size(cd_params_.kBlurSize, cd_params_.kBlurSize), cv::Point2i(-1, -1), false);}

         yaml文件里给的resize_ratio是3.0 ；可以看到首先将img转成CV_8UC1的格式 输出成Rimg，然后将Rimg进行resize。我们来看看同一张图片的对比

         左边是没有进行resize和blur的原始二值化图片，右边是进行了resize和blur的二值化图片。原始尺寸是401x401像素，resize后的尺寸为1203x1203像素。

        通过图像的平滑处理，得到新的Rimg。

Algorithm 1:Extract polygons {Pk contour} based on [29]

        这一步就是通过上面的Rimg来进行轮廓的提取 也就是contour。

ExtractRefinedContours(Rimg, img_contours)

        第一步先通过Rimg抽取出contours 这时候的contours还没经过任何过滤，称为img_contours。

void ContourDetector::ExtractRefinedContours(const cv::Mat& imgIn,  std::vector& refined_contours) {     std::vector<std::vector> raw_contours;    refined_contours.clear(), refined_hierarchy_.clear();    //raw_contours定义为“std::vector<std::vector> raw_contours”，    //是一个双重向量（向量内每个元素保存了一组由连续的Point构成的点的集合的向量），每一组点集就是一个轮廓，有多少轮廓，contours就有多少元素； cv::findContours(imgIn, raw_contours, refined_hierarchy_, cv::RetrievalModes::RETR_TREE, //RETR_TREE 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。cv::ContourApproximationModes::CHAIN_APPROX_TC89_L1);//定义轮廓的近似方法，取值如下：CV_CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法;    refined_contours.resize(raw_contours.size());    for (std::size_t i=0; iTopoFilterContours(refined_contours);this->AdjecentDistanceFilter(refined_contours);    //这两步都是在对contour进行过滤 第一步过滤子轮廓，第二步过滤重叠的向量。}

        其中，主要是通过findContours函数进行图片轮廓提取，再经过一系列的过滤，最后得到refined_contours。

Algorithm 1:Downsample vertices in Pk contour based on [30];

void ContourDetector::TopoFilterContours(std::vector& contoursInOut) {    std::unordered_set remove_idxs;    for (int i=0; i<contoursInOut.size(); i++) { if (remove_idxs.find(i) != remove_idxs.end()) continue; const auto poly = contoursInOut[i]; //把一组小于3个point的这个index索引值放到无序集合remove_idxs里 if (poly.size() < 3) {     remove_idxs.insert(i); //大于3个point的组，还要过一层判断 判断机器人是否在poly内部 ， //判断所有poly的点和机器人的odom的位置，如果点始终位于构成线段的同一侧， 那么它就是平面的内部点。 //!点在平面内部 返回1  点在平面外部返回0 } else if (!FARUtil::PointInsideAPoly(poly, free_odom_resized_)) {     //如果点在平面外部 就执行InternalContoursIdxs  这个主要是把子轮廓给放到remove_idxs里。     InternalContoursIdxs(refined_hierarchy_, i, remove_idxs); }    }    //对remove_idxs进行操作，把不在remove_idxs里面的索引重新push_back到contoursInOut，也就是从refine_contour里把remove_idx里的索引都删除。    if (!remove_idxs.empty()) { std::vector temp_contours = contoursInOut; contoursInOut.clear(); for (int i=0; i<temp_contours.size(); i++) {     if (remove_idxs.find(i) != remove_idxs.end()) continue;     contoursInOut.push_back(temp_contours[i]); }    }}

void ContourDetector::AdjecentDistanceFilter(std::vector& contoursInOut) {    /* filter out vertices that are overlapped with neighbor */    std::unordered_set remove_idxs;    //循环refined_contour    for (std::size_t i=0; i<contoursInOut.size(); i++) {  //取出元素 赋值给c  c应该也是一串 const auto c = contoursInOut[i]; const std::size_t c_size = c.size(); std::size_t refined_idx = 0; //第一轮过滤 for (std::size_t j=0; j<c_size; j++) {     cv::Point2f p = c[j];      //如果刚开始，refined_idx<1  或者已经进行到中间，p点和前一个点的距离大于DIST_LIMIT      if (refined_idx  DIST_LIMIT) {  / Reduce wall nodes */  //contoursInOut[i] 这是一组点，p是当前contoursInOut[i]里的一个点  RemoveWallConnection(contoursInOut[i], p, refined_idx);  contoursInOut[i][refined_idx] = p;// 修改refined_contour了  把一些点过滤掉 然后可能原来是5边形，过滤完就是4边形  refined_idx ++;     } } /--------------------------------------------------------------------------------------------------------*/ / Reduce wall nodes */ //第二轮过滤 过滤完后refined_idx可能会改变  判断[i]里所有的点和[i]里第一个点 RemoveWallConnection(contoursInOut[i], contoursInOut[i][0], refined_idx); //比如原来一组[i]里第一轮过滤完有8个point，第二轮过滤完剩下7个point  contoursInOut[i].resize(refined_idx);//把point的数量resize掉。 //refined_idx大于1 且 contoursInOut[i]的第一个元素和最后一个元素的距离小于DIST_LIMIT if (refined_idx > 1 && FARUtil::PixelDistance(contoursInOut[i].front(), contoursInOut[i].back()) < DIST_LIMIT) {     contoursInOut[i].pop_back();//尾删 删除最后一个点 } //如果删完了 或者 没删之前，contoursInOut[i]的点的数量小于3，就把这些点都加到remove_idxs里。 if (contoursInOut[i].size() < 3) remove_idxs.insert(i);    }    if (!remove_idxs.empty()) { // clear contour with vertices size less that 3 std::vector temp_contours = contoursInOut; contoursInOut.clear(); for (int i=0; i<temp_contours.size(); i++) {     if (remove_idxs.find(i) != remove_idxs.end()) continue;     contoursInOut.push_back(temp_contours[i]); }    }}

        经过上面几个步骤，得到最终的refined_contour