使用层次聚类的有组织点云的快速平面提取（续）

最新推荐文章于 2023-09-06 16:40:03 发布
最新推荐文章于 2023-09-06 16:40:03 发布
阅读量2k 收藏 6
点赞数
分类专栏： paper 文章标签： AHC PCA 平面提取
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Felaim/article/details/78228389
版权

这是老师很久之前给的一篇paper，LZ还是有拖延症，到现在才想起来要把这篇paper的一些自己的思考或者说一些理解记录下来，如果有兴趣的，小伙伴可以看下原文“Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering”。

1.使用的数据

按照原文的翻译是有组织的点云，其实这还是对于这个算法来说有所偏颇的，在代码使用的时候只使用了点云部分的深度信息，并不包含rgb的信息，只是在使用kinect的时候，PCL库直接是以点云的形式把数据保存下来的。

何为organized point cloud，这个在之前学习PCL的时候就说过，如果点云是可以以2D对3D点云进行索引的话，这就算是organized point cloud，在实际代码中表现在定义点云大小的时候直接定义点云的height和width，一般就是480和640，如果是unorganized point cloud，一般point cloud 的height定义为1，width就是整个点云数目，把kinect采集到的数据定义成unorganized的话，height = 1, width = 307200，这是没办法通过2D进行索引的，相当于把整个点云拉成一条，在数据利用上缺失了点与点之间的空间信息，不利于有些点云的特征的处理。

2.参数设置的问题

文章中有很多人工设置的参数，不同的参数对于后续的平面提取肯定是有影响的，而且对于程序运行的精度也会有所影响。原文中提到了几个阈值的设定也是偏向于经验值或者参考其他文献设定的。当然相机内参是肯定要的。。。

这里写图片描述

3.算法总体

具体的步骤可以参考上图流程

输入：深度相机获得的深度图像

step1：初始化

对于输入的深度图像进行初始化，先分成10*10大小的方块（尺寸是人为设定，可自行修改），每一块就相当于是图模型的一个node（注意node包含不只一个点）。如果出现下面四种情况，要把该节点和对应的边删除掉：

节点的均方误差高于设定阈值

节点含有缺失的数据

节点包含的深度不连续

节点在两个平面的边界

step2：层次聚类

未完待续。。。

Felaim
关注
专栏目录
Open3D 点云Kmeans聚类算法
纵马踏花向自由
07-12 648
聚类是一种将数据集分组的方法，使得同一组内的数据点相似度较高，而不同组间的数据点相似度较低。K-means 聚类算法是一种经典的无监督学习算法，具有计算简单、收敛速度快等优点，被广泛应用于图像分割、市场细分、模式识别等领域。
Open3D 点云快速欧式聚类--实现快速点云分割的Python教程
最新发布
weixin_50547796的博客
08-01 43
使用segment_plane函数来从点云中提取平面，接下来使用remove_statistical_outlier函数来去除离群点，并将剩余的点作为一个新的点云，最后使用cluster_dbscan函数对新点云进行聚类，并使用可视化工具显示结果。是一种常见的数据形式，但是对于大型点云，分割和提取具有特定特征的物体是一个挑战，Open3D是一个专业的库，可以用于点云处理和三维数据处理，在本篇文章中，我们将学习如何使用Open3D实现快速的欧式聚类，以进行点云分割。在计算机视觉和机器人领域中，
peac:使用聚集层次聚类（AHC）进行快速平面提取
05-06
使用聚集层次聚类（AHC）进行快速平面提取 法律声明 三菱电机研究所2014年版权所有。保留所有权利。 特此授予用于教育，研究和非营利目的的免费使用，复制和修改本软件及其文档的许可，但前提是所有副本中均应包含上述版权声明，本段和以下三段。 要请求允许将此软件集成到商业产品中，请联系：总监； 三菱电机研究所（MERL）； 百老汇大街201号; 马萨诸塞州剑桥02139。 在任何情况下，梅尔对任何一方均不承担直接，间接，特殊，偶发或继发性损害的责任，包括由于使用本软件及其文档而造成的损失，即使梅尔已经事先告知了我们糟透了。 MERL特别拒绝提供任何担保，包括但不限于针对特定目的的适销性和适用性的默示担保。 此处提供的软件基于“原样”提供，MERL不承担提供维护，支持，更新，增强或修改的义务。 概述 此源代码包包含针对基于组织的点云（可以索引为图像的点云）基于AHC的快速平面提取的C +
【PCL学习】第二节——点云组织形式与搜索
TommyGong08的博客
04-23 547
系列文章目录 此系列文章用于记录学习点云PCL库过程中的学习笔记，如果对你有帮助欢迎点赞收藏关注我~ 【PCL学习】第一节——点云滤波方法 文章目录系列文章目录八叉树应用代码八叉树近邻搜索KD树（kdtree)功能概念 滤波之后的点云是无序的，下一步我们需要拿到这些点，因此我们需要了解点云的组织形式以及最近邻搜索。 所以这一节总结了一下点云的组织形式以及数据结构。 八叉树 上一节我们提到体素化是做一个空间的均匀分割，这里八叉树是对空间的非均匀分割（按需求分割）。 一维数据可以用二叉树表示 二维数据可
使用层次聚类在结构点云中进行平面的快速提取
Felaim的博客
08-03 4072
在许多机器人应用的领域，能够实时在三维点云中进行平面提取是非常困难的。在论文中提出了一个算法，能够在类似Kinect 传感器采集到的点云进行实时可靠的多平面的检测。具体的算法一共有三个步骤： 第一步：生成图模型（每一个节点都代表的是一个点集，每条边代表点集之间的关系）； 第二步：在构建好的图模型上利用层次聚类的方法进行点集的的融合，直到平面拟合的均方误差超过设定的阈值； 第三步：使用像素级别的
使用层次聚类在结构点云中快速提取平面
u013925378的博客
06-02 1991
主流的几类平面提取的方法有： （1）RANSAC-based methods：long computation time； （2）Region-grow-based methods（pixel、voxel、line）； （3） turn into normal space， compute the distance between the point cloud and the original； （4）normal estimation； （5）Graph-based segmentation；
激光点云的组织形式
小白学视觉
02-25 364
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达文章导读 三维点云数据用于表征目标表面的海量点集合，但是各个离散点之间并没有拓扑关系，一般通过建立点云的空间索引来实现...
平面提取论文
OTZ_2333的博客
03-07 4055
文章目录单张图片输入几何方法√（2015）Recognising Planes in a Single Image×（2012）Detecting planes and estimating their orientation from a single image√（2009）Accurate 3D ground plane estimation from a single image√（200...
matlab点云聚类,基于区域聚类分割的点云特征线提取
weixin_33971453的博客
03-24 5024
王晓辉, 吴禄慎, 陈华伟, 胡赟, 石雅莹. . 基于区域聚类分割的点云特征线提取. 光学学报, 2018, 38(11): 1110001-。Wang Xiaohui, Wu Lushen, Chen Huawei, Hu Yun, Shi Yaying. . Feature Line Extraction from a Point Cloud Based on Region Cluster...
pcl点云聚类方法
weixin_41038905的博客
07-09 2万+
本节记录下点云聚类方法 1.欧式聚类分割方法 //为提取点云时使用的搜素对象利用输入点云cloud_filtered创建Kd树对象tree。 pcl::search::KdTree::Ptr tree (new pcl::search::KdTree); tree->setInputCloud (cloud_filtered);//创建点云索引向量，用于存储实际的点云信息 首先创...
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月4日。
使用RANSAC提取平面
09-21
使用PCL中RANSAC探测识别平面，并且可将探测出的多个平面进行单独保存。
平面离散点集外轮廓提取
04-02
基于凸包，使用凹点挖掘技术，实现平面离散点集外轮廓提取
针对三维点云的Mean Shift聚类算法(Matlab版)
05-18
针对点云数据进行Mean shift聚类，可以通过调整聚类算法的阈值以及搜索半径，来达到不同的聚类效果，内附有示例,运行test.m即可。
基于最小二乘法的平面拟合，图像背景去除
03-06
使用C++以及OpenCV实现的最小二乘法的平面拟合，以及应用平面拟合达到的图像背景去除。
有序点云
cuglxw的专栏
07-13 7956
有序点云是什么 一帧扫描数据是一副深度图，属于灰度图。像素的灰度值代表的是深度信息，可以通过相机参数把每个像素点变换到世界坐标系，这样每个像素就对应一个三维点，有些点是无效的，一般用(0, 0, 0)来代替。下图是一个典型的深度点云。假设深度图的分辨率是ResX * ResY，那么有序点云按照图方阵一行一行的，从左上角到右下角排列。 有序点云到无序点云遗失了哪些信息 有序
PCL提取建筑物的平面
自动驾驶行业学习、交流
10-31 2728
//ComputeBuildingNormals #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/filters/statistical_outlier_removal.h> #include <pcl/visu...
点云平面提取与分割
heroacool的专栏
04-17 3032
查到的一些demo PCL Organized Segmentation Demonstration https://www.youtube.com/watch?v=LZ8l4w3qw3E 常用的库 https://libigl.github.io/ https://www.cgal.org/2020/04/02/Tutorial_on_Surface_Reconstruction/ pcl ...
PCL RANSAC 多平面提取
weixin_44368569的博客
09-06 1240
我猜测效果不好的原因如下，RANSAC随机选点其实随机的是点的序号，然后取出对应序号的点。对于有序点云，位于同一平面上的点序号都比较接近，想选出位于同一平面上的点概率相对较低，针对此问题我们可以将代码稍作修改，也就是添加上一节中的注释部分代码。上边使用的测试数据是无序点云，但在测试有序点云的时候，上边代码的效果很差，下边的点云也是类似与上边的三个平面，只不过是从仿真环境种生成的仿真点云。需要注意的是，本节的内容是我个人对感兴趣地方的阅读笔记，而不是详细的教程，如果大家感兴趣，还是推荐自己去看源码。
使用pcl识别点云平面
03-31
点云平面识别是PCL库中的一个常见应用，可以通过以下步骤实现： 1. 读入点云数据，可以使用PCL的PointCloud类来处理点云数据。 2. 估计点云的法向量，可以使用PCL中的NormalEstimation类来估计点云的法向量。 3. 对点云进行分割，将点云分割成不同的平面，可以使用PCL中的SACSegmentation类来进行分割。 4. 对每个平面进行聚类，将点云分成不同的聚类，可以使用PCL中的EuclideanClusterExtraction类进行聚类。 5. 可以将每个聚类绘制出来，以便可视化结果。 下面是一个简单的示例代码，展示如何使用PCL库识别点云平面： ``` #include <pcl/point_types.h> #include <pcl/features/normal_3d.h> #include <pcl/segmentation/sac_segmentation.h> #include <pcl/filters/extract_indices.h> #include <pcl/kdtree/kdtree.h> #include <pcl/segmentation/extract_clusters.h> int main () { // 加载点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ> ("table_scene_lms400.pcd", *cloud); // 估计法向量 pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne; pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal>); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>); tree->setInputCloud (cloud); ne.setInputCloud (cloud); ne.setSearchMethod (tree); ne.setRadiusSearch (0.03); ne.compute (*normals); // 分割平面 pcl::SACSegmentation<pcl::PointXYZ> seg; pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients); pcl::PointIndices::Ptr inliers (new pcl::PointIndices); seg.setOptimizeCoefficients (true); seg.setModelType (pcl::SACMODEL_PLANE); seg.setMethodType (pcl::SAC_RANSAC); seg.setDistanceThreshold (0.01); seg.setInputCloud (cloud); seg.setInputNormals (normals); seg.segment (*inliers, *coefficients); // 提取平面点云 pcl::ExtractIndices<pcl::PointXYZ> extract; extract.setInputCloud (cloud); extract.setIndices (inliers); extract.filter (*cloud_filtered); // 聚类 pcl::search::KdTree<pcl::PointXYZ>::Ptr ec_tree (new pcl::search::KdTree<pcl::PointXYZ>); ec_tree->setInputCloud (cloud_filtered); std::vector<pcl::PointIndices> cluster_indices; pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec; ec.setClusterTolerance (0.02); ec.setMinClusterSize (100); ec.setMaxClusterSize (25000); ec.setSearchMethod (ec_tree); ec.setInputCloud (cloud_filtered); ec.extract (cluster_indices); // 输出结果 std::cout << "Number of clusters: " << cluster_indices.size () << std::endl; for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin (); it != cluster_indices.end (); ++it) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster (new pcl::PointCloud<pcl::PointXYZ>); for (std::vector<int>::const_iterator pit = it->indices.begin (); pit != it->indices.end (); ++pit) cloud_cluster->push_back ((*cloud_filtered)[*pit]); std::cout << "Cluster size: " << cloud_cluster->size () << std::endl; } return (0); } ``` 这个示例代码首先加载点云数据，然后使用NormalEstimation类估计点云的法向量。接着，使用SACSegmentation类分割点云，提取平面点云。最后，使用EuclideanClusterExtraction类对平面点云进行聚类，并输出聚类结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值