点云平面拟合和球面拟合

已于 2023-08-31 15:18:15 修改
阅读量494 收藏 1
点赞数
分类专栏： 点云 文章标签： PCL
于 2023-08-22 14:07:07 首次发布
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/Goodness2020/article/details/132426601
版权

一、介绍

In this tutorial we learn how to use a RandomSampleConsensus with a plane model to obtain the cloud fitting to this model.

pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));
pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud));

pcl::SACSegmentation<pcl::PointXYZ> seg;

pcl::ModelOutlierRemoval<pcl::PointXYZ> sphere_filter;

二、代码

#include <iostream>
#include <thread>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/point_cloud.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/sample_consensus/sac_model_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>

using namespace std::chrono_literals;

pcl::visualization::PCLVisualizer::Ptr simpleVis(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud)
{
	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer->setBackgroundColor(0, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, "sample cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
	viewer->addCoordinateSystem (1.0, "global");
	viewer->initCameraParameters();
	return (viewer);
}

void ranFit()
{
	bool is_plane = true;
	bool is_show_final = false;
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);

	cloud->width = 500;
	cloud->height = 1;
	cloud->is_dense = false;
	cloud->points.resize(cloud->width * cloud->height);
	for (int i = 0; i < cloud->size(); ++i)
	{
		if (is_plane==false)
		{
			// x*x+y*y+z*z=1
			(*cloud)[i].x = 2.0 * rand() / (RAND_MAX + 1.0) - 1.0;
			(*cloud)[i].y = 2.0 * rand() / (RAND_MAX + 1.0) - 1.0;
			if ((*cloud)[i].x * (*cloud)[i].x + ((*cloud)[i].y * (*cloud)[i].y) > 1)
				(*cloud)[i].z = 2.0 * rand() / (RAND_MAX + 1.0) - 1.0;
			else if (i % 2 == 0)
				(*cloud)[i].z = sqrt(1 - ((*cloud)[i].x * (*cloud)[i].x) - ((*cloud)[i].y * (*cloud)[i].y));
			else
				(*cloud)[i].z = -sqrt(1 - ((*cloud)[i].x * (*cloud)[i].x) - ((*cloud)[i].y * (*cloud)[i].y));
		}
		else
		{
			// 0.5x+0.5y-z=0
			(*cloud)[i].x = rand() / (RAND_MAX + 1.0);
			(*cloud)[i].y = rand() / (RAND_MAX + 1.0);
			if (i % 3 == 0)
				(*cloud)[i].z = rand() / (RAND_MAX + 1.0);
			else
				(*cloud)[i].z = 0.5 * (*cloud)[i].x + 0.5 * (*cloud)[i].y;
		}
	}

	std::vector<int> inliers;
	std::vector<int> outliers;
	pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));
	pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud));
	Eigen::VectorXf coef;
	if (is_plane)
	{
		pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_p);
		ransac.setDistanceThreshold(.01);
		ransac.computeModel();
		ransac.getInliers(inliers);
		ransac.getModelCoefficients(coef);
	}
	else
	{
		pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
		ransac.setDistanceThreshold(.01);
		ransac.computeModel();
		ransac.getInliers(inliers);
		ransac.getModelCoefficients(coef);
	}
	std::cout << coef << std::endl;
	pcl::copyPointCloud(*cloud, inliers, *final);

	pcl::visualization::PCLVisualizer::Ptr viewer;
	if (is_show_final)
		viewer = simpleVis(final);
	else
		viewer = simpleVis(cloud);
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		std::this_thread::sleep_for(100ms);
	}
}

int main()
{
	ranFit();
	return (0);
}

 

 

 

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <thread>

using namespace std::chrono_literals;

pcl::visualization::PCLVisualizer::Ptr simpleView(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud)
{
	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer->setBackgroundColor(0, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, "sample cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
	viewer->addCoordinateSystem(1.0, "global");
	viewer->initCameraParameters();
	return viewer;
}

void planeSeg()
{
	// 生成输入点云数据
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	cloud->width = 15;
	cloud->height = 1;
	cloud->points.resize(cloud->width * cloud->height);
	for (auto& point : *cloud)
	{
		point.x = 10 * rand() / (RAND_MAX + 1.0f);
		point.y = 10 * rand() / (RAND_MAX + 1.0f);
		point.z = 1.0;
	}
	(*cloud)[0].z = -2.0;
	(*cloud)[3].z = 2.0;
	(*cloud)[6].z = 4.0;

	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
	pcl::SACSegmentation<pcl::PointXYZ> seg;
	seg.setOptimizeCoefficients(true);
	seg.setModelType(pcl::SACMODEL_PLANE);  // 平面模型
	seg.setMethodType(pcl::SAC_RANSAC);  // 随机采样一致算法
	seg.setDistanceThreshold(0.1);  // 距离门限
	seg.setInputCloud(cloud);
	seg.segment(*inliers, *coefficients);  // 切割

	// 打印模型参数
	std::cout << "Model coefficients: " << coefficients->values[0] 
		<< " " << coefficients->values[1] << " " << coefficients->values[2] 
		<< " " << coefficients->values[3] << std::endl;

	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::copyPointCloud(*cloud, inliers->indices, *final);  // 过滤非平面点

	pcl::visualization::PCLVisualizer::Ptr viewer = simpleView(final);
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		std::this_thread::sleep_for(100ms);
	}
}
#include <iostream>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/filters/model_outlier_removal.h>

void sphereFilter()
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr filtered(new pcl::PointCloud<pcl::PointXYZ>);

	std::size_t noise_size = 5;
	std::size_t sphere_data_size = 10;
	cloud->width = noise_size + sphere_data_size;
	cloud->height = 1;
	cloud->points.resize(15 * 1);

	for (std::size_t i = 0; i < noise_size; ++i)
	{
		(*cloud)[i].x = rand() / (RAND_MAX + 1.0) * 2.0 - 1.0;
		(*cloud)[i].y = rand() / (RAND_MAX + 1.0) * 2.0 - 1.0;
		(*cloud)[i].z = rand() / (RAND_MAX + 1.0) * 2.0 - 1.0;
	}

	double rand_x1 = 1;
	double rand_x2 = 1;
	for (std::size_t i = noise_size; i < (noise_size + sphere_data_size); ++i)
	{
		while (pow(rand_x1, 2) + pow(rand_x2, 2) >= 1)
		{
			rand_x1 = rand() / (RAND_MAX + 1.0) * 2.0 - 1.0;  // -1 ~ 1
			rand_x2 = rand() / (RAND_MAX + 1.0) * 2.0 - 1.0;  // -1 ~ 1
		}
		double pre_calc = sqrt(1 - pow(rand_x1, 2) - pow(rand_x2, 2));
		(*cloud)[i].x = 2 * rand_x1 * pre_calc;
		(*cloud)[i].y = 2 * rand_x2 * pre_calc;
		(*cloud)[i].z = 1 - 2 * (pow(rand_x1, 2) + pow(rand_x2, 2));
		rand_x1 = 1;
		rand_x2 = 1;
	}

	std::cerr << "Cloud before filtering: " << std::endl;
	for (const auto& point : *cloud)
		std::cout << "    " << point.x << " " << point.y << " " << point.z << std::endl;

	pcl::ModelCoefficients sphere_coeff;
	sphere_coeff.values.resize(4);
	sphere_coeff.values[0] = 0;  // center_x
	sphere_coeff.values[1] = 0;  // center_y
	sphere_coeff.values[2] = 0;  // center_z
	sphere_coeff.values[3] = 1;  // radius

	pcl::ModelOutlierRemoval<pcl::PointXYZ> sphere_filter;
	sphere_filter.setModelCoefficients(sphere_coeff);
	sphere_filter.setThreshold(0.005);
	sphere_filter.setModelType(pcl::SACMODEL_SPHERE); // 球体
	sphere_filter.setInputCloud(cloud);
	sphere_filter.filter(*filtered);

	std::cerr << "Sphere after filtering: " << std::endl;
	for (const auto& point : *filtered)
		std::cout << "    " << point.x << " " << point.y << " " << point.z << std::endl;
}

三、参考

How to use Random Sample Consensus model — Point Cloud Library 0.0 documentation

Plane model segmentation — Point Cloud Library 0.0 documentation

Filtering a PointCloud using ModelOutlierRemoval — Point Cloud Library 0.0 documentation

Goodness2020
关注
专栏目录
3D点云处理：拟合球（附源码）
lddx_123456的博客
09-02 597
需要注意的是，球面拟合是一个非线性优化问题，因此通常需要使用数值优化算法（如Levenberg-Marquardt算法或梯度下降法）来找到最小化误差函数的解。推导的公式提供了一个理论基础，但实际实现可能需要使用专门的数值库。球面拟合是一种用于找到最佳拟合球体的方法，通常使用最小二乘法进行拟合。的最佳估计，以最小化点到球体表面的距离的平方和。这将产生一组方程，称为正规方程，用于求解。的最佳估计，这些值将定义最佳拟合的球体。文章中引用的图片如有侵权，请联系作者删除。，这些点近似地位于球体的表面。
【CloudCompare教程】014：拟合功能实现（平面、球面、二维多边形）
「 刘一哥与GIS的故事」
06-10 1846
本文讲解CloudCompare软件拟合功能实现（平面、球面、二维多边形、2.5D四边形）案例教程。 一、加载点云数据 二、拟合功能实现 1. 拟合平面 2. 拟合球面 3. 拟合二维多边形 4. 2.5D四边形
点云拟合球体
qq_40041064的博客
07-26 896
在很多情况下，需要根据点云来拟合球体，本博文主要介绍各种方法的拟合情况及优缺点，希望对各位小伙伴有所帮助！
空间圆的拟合
suke_notes
03-15 4057
空间圆的拟合通过空间圆参数方程拟合空间圆的参数方程通过拟合球面与拟合平面交汇成圆先拟合出平面，再在平面里作平面圆的拟合 通过空间圆参数方程拟合 空间圆的参数方程 {x=cx+r(uxcos⁡θ+vxsin⁡θ)y=cy+r(uycos⁡θ+vysin⁡θ)z=cz+r(uzcos⁡θ+vzsin⁡θ)\left\{ \begin{array}{l} ...
Open3D RANSAC 点云球面拟合
QsPascal的博客
09-23 132
点云是一种三维数据形式，它由大量的离散点组成，通常用于表示物体的形状和表面信息。在点云处理中，点云拟合是一个常见的问题，即找到最佳的几何形状来拟合给定的点云数据。其中，RANSAC（Random Sample Consensus）是一种常用的拟合算法，可以用于对点云进行球面拟合。通过以上步骤，我们可以使用 Open3D 中的 RANSAC 算法对点云进行球面拟合。在本文中，我们将使用 Open3D 中的 RANSAC 算法来进行点云球面拟合。接下来，我们将使用 RANSAC 算法进行点云球面拟合。
Open3D Ransac点云球面拟合（python详细过程版）
点云侠的博客
06-19 1688
Ransac点云球面拟合的python详细过程代码实现
PCL点云处理之最小二乘球面点云拟合（直接拟合法，完整实验）（二百三十一）
最新发布
weixin_44329757的博客
03-12 413
现在假设有这样一群点云，它们分布在一个球的表面，可能并不严格，带有些许噪声，此时我们需要计算球心坐标和球的半径。（这里提供完整的实验过程，包括人为选择球参数随机生成假设数据，球面点云拟合，拟合参数与初始参数比较来评价拟合效果等。这里使用最小二乘法，球的坐标公式：每个点的坐标都应该满足它，那么每个点的xyz代入该公式，直接联立整理成AX=b的形式，直接最小二乘求解，这里的公式是按照本人意思直接整理出来的，可能不科学，但最后的结果显示，这样做确实是可以拟合的，结果如下。整理方法直接看代码就行。
Open3D中使用RANSAC算法拟合球体点云
QfcaLinux的博客
09-23 107
在Open3D中，我们可以使用RANSAC算法来拟合点云中的球体模型。本文将介绍如何使用Open3D库进行球体拟合，并提供相应的源代码。拟合完成后，我们从原始点云中选择拟合模型的内点，即属于球体的点云。最后，我们使用Open3D的可视化功能将内点可视化展示，并输出拟合的球体参数，包括球心和半径。希望本文对您理解如何使用Open3D中的RANSAC算法拟合球体点云有所帮助。在上述代码中，我们首先生成了一个随机的球体点云，然后使用。参数用于设置点到球体模型的距离阈值，参数指定用于估计球体模型的最小点数，
MATLAB RANSAC算法实现点云平面拟合
.
07-26 804
它的基本思想是通过迭代和随机采样的方式，从数据集中选择一组假设样本，并通过该样本进行参数估计。本文介绍了如何使用MATLAB中的RANSAC算法进行点云平面拟合。通过迭代和随机采样的方式，RANSAC算法能够处理存在离群点的数据，并找到最佳拟合平面模型。本文将介绍如何使用MATLAB中的RANSAC算法来实现点云平面拟合，同时给出相应的源代码。以上代码将生成一个包含噪声的平面点云，并使用RANSAC算法找到最佳拟合平面。在实际应用中，我们可以使用上述实现的RANSAC算法进行点云平面拟合。
PCL 基于PCA算法的点云平面拟合
点云侠的博客
01-03 1896
使用PCL实现的基于PCA算法的点云平面拟合
Open3D——RANSAC三维点云球面拟合
点云侠的博客
09-14 3451
RANSAC三维点云球面拟合
三维点云平面拟合：使用Open3D中的RANSAC算法
.
03-31 802
在这种情况下，RANSAC算法是一个常用的工具，它可以通过迭代和空间采样来估计平面参数并过滤噪声点。首先，我们需要加载我们的点云数据。总结起来，Open3D是一个非常强大的三维数据处理库，可以用于许多不同的任务。如果你正在寻找一个灵活，高效且易于使用的三维点云处理工具，那么Open3D绝对是一个很好的选择。当我们运行上述代码时，我们可以看到一个3D点云图形界面，显示了一个飞机模型的点云数据。最后，我们可以输出平面模型的参数，包括法向量和截距，以及点云数据中属于平面的数量。
CloudCompare&PCL 点云最小二乘法拟合平面
dayuhaitang1的博客
07-13 2167
CloudCompare&PCL 点云最小二乘法拟合平面
Matlab 实现点云在球面上的投影
bug_api163的博客
09-21 152
通过对点云进行一系列的计算和变换，我们成功地将离散的点映射到了球体的表面上。点云（point cloud）是由大量离散的点构成的三维数据集合，是三维空间中物体表面的采样结果。而点云投影到球面上，则是将这些离散的点映射到一个球体的表面上。在本文中，我们将介绍如何使用 Matlab 实现点云在球面上的投影，并附上相应的源代码。其中左边的子图显示了原始点云，右边的子图显示了点云在球面上的投影。以上代码实现了点云在球面上的投影。函数可以在 3D 空间中绘制点云，下面的代码片段演示了如何绘制投影前后的点云。
如何使用 Open3D 进行三维点云球面拟合？
.
03-31 561
在三维点云的处理中，拟合球面是一个基础但重要的操作。本文将介绍如何使用 Open3D 进行三维点云球面拟合。本文介绍了如何使用 Open3D 进行三维点云球面拟合。Open3D 提供了方便易用的 RANSAC 算法，能够有效处理大规模点云数据，具有很高的实用价值。上述代码中，我们首先计算每个点到球面模型的距离，然后根据平均距离和一个标准化因子确定符合模型的点，最后使用 RANSAC 算法进行拟合。如何使用 Open3D 进行三维点云球面拟合？
MATLAB RANSAC球体点云拟合（30）
weixin_44329757的博客
07-26 623
将一个球体与一个从内点到球体的最大允许距离的点云相匹配。该函数返回一个描述球体的几何模型。该函数采用 M- 估计量样本一致性(MSAC)算法求解球面。MSAC 算法是随机样本一致性(RANSAC)算法的一个变体。具体函数介绍和内部参数的说明从原始点云中拟合符合球体分布的点云，model 球体的几何模型，返回为一个球体模型对象。当输入点云不包含足够的有效点，或者当函数找不到足够的内点时，输出模型的系数被设置为零。ptCloudIn 输入的点云。
Open3D 点云球面拟合
YadxFix的博客
09-25 116
点云处理是计算机视觉和计算机图形学中常见的任务之一。Open3D 是一个流行的开源库，提供了许多用于点云处理的功能。其中之一是球面拟合，它可以用于估计点云数据中的球面模型。本文将介绍如何使用 Open3D 进行点云球面拟合，并附上相应的源代码。以上就是使用 Open3D 进行点云球面拟合的基本步骤和代码示例。通过这些代码，您可以对点云数据进行球面拟合，并获取拟合后的球心坐标和球面半径。当然，Open3D 还提供了许多其他功能，可以帮助您更深入地处理和分析点云数据。函数对点云数据进行球面拟合。
Open3D球拟合算法：点云中的RANSAC球拟合
FxRuby的博客
09-26 1069
RANSAC算法通过随机采样和迭代优化的方式，在点云中找到最佳的拟合球。球拟合是其中的一个重要任务，用于估计点云中包含的球体的参数。Open3D是一个功能强大的开源库，提供了丰富的点云处理工具。本文将介绍使用Open3D进行RANSAC球拟合的方法，并附带相应的源代码。Open3D是一个用于三维数据处理的开源库，提供了丰富的点云处理和几何计算工具。它支持各种格式的点云数据输入输出，并提供了常用的点云处理算法和可视化功能。设置RANSAC算法中的距离阈值和最大迭代次数，用于控制算法的拟合精度和计算时间。
点云的球面投影理解
热门推荐
Breeze
04-02 1万+
前言 球面投影或正视图投影是将3D点云数据表示为2D图像数据的一种方式，因此从本质上讲，它还充当降维方法。球形投影方法正越来越多地用于处理点云深度学习解决方案中。应用最广泛的领域是对点云中对象进行分类和分割任务，这个投影方法在多个工作中使用，例如：PointSeg，SqueezeSeg， SalsaNet等，以及在上一篇总结到的最新的语义分割网络3D-MiniNet也用到了球面投影。 将点云表示为...
matlab点云曲面拟合滤波
01-01
Matlab点云曲面拟合滤波是一种将离散的点云数据进行拟合和平滑处理的方法。通过拟合点云上的局部点集，可以得到曲面模型，并将点云数据映射到该模型上，从而实现点云数据的整体平滑和处理。 在Matlab中，可以使用点云处理工具箱中的函数来实现点云曲面拟合滤波。首先，需要将点云数据导入到Matlab中，并转换为点云对象。然后，可以使用fit函数对点云数据进行曲面拟合。fit函数可以选择不同的曲面模型类型，如平面、球面或高阶多项式曲面等。将拟合的曲面模型应用到点云数据上，可以得到平滑的结果。 除了曲面拟合，Matlab还提供了其他点云滤波方法，如高斯滤波、中值滤波和统计滤波等。这些滤波方法可以根据点云数据的特点选择合适的滤波算法进行处理，以去除噪声、平滑点云数据，或者提取感兴趣的特征。 总之，Matlab点云曲面拟合滤波是一种对离散点云数据进行平滑处理的方法，可以通过拟合曲面模型和应用滤波算法来实现。这种方法有助于提取点云数据的特征和减少噪声，为后续的点云处理和分析提供了基础。
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