【点云处理】上下采样 表面法向量

Surface Normal表面法向量

surface normal on 3D point cloud

• 选择一个点P

• 找点P的领域定义表面（领域半径大：法向量平滑 但会被无关点影响 领域半径小：精确描述 但受噪声影响）

• PCA

• 寻找特征值最小的向量（法向量即每个点投影上去都是0）

• 计算曲率

deep learing about surface normal

• Nesti-Net CVPR2019：

  • 选取不同大小的领域

Filter

• 噪声去除
• 下采样（比如某个物体只需要10个点描述 原来有100个 就可以下采样减少计算量）
• 上采样（图像不能被点云填满 需要上采样将点云变得稠密（双边滤波））
  
  

噪声去除

Radius Outlier Removal

• 选择一个点 指定领域半径r
• 如果领域里的点少于一定值则去除这个点
  

Statistical Outlier Removal

• 取领域
• 计算领域里的点到这点的距离 假设服从高斯分布 并算出平均值和方差
• 通过统计去除点

下采样

Voxel Grid Downsampling

• 区域内均值或者随机选点

• 均值

• 随机选点

• 伪代码：

  • 1定义最大值

  • 2定义分辨率 r 即小框框

  • 3计算每个维度的格子数

  • 4计算每个点落在哪个区域 计算h

  • 根据h排序
    

Farthest Point Sampling（FPS）

• 取点并使之与其他已选点距离最远
• 目的是降低稠密不分的密度

Normal Space Sampling（NSS）

• 防止细节丢失 注重不同方向的法向量的点 用于点云对齐
• 1 建立一堆不用方向法向量的容器
• 2 点丢进容器
• 3 每一个容器都采用一定的点下采样

Learing to Sample

• 通过下采样的点依旧能被分类器分类出来的思想训练

三种方法效果对比

• 计算准确率

• NRE
  

上采样

Gaussian Filter

• 高斯模糊

  • 选定一个像素

  • 取领域的rgb值加权平均并替换所选像素的rgb值

  • 权值即为高斯核

双向滤波 Bilateral Filter

• 采用两个高斯核
• 综合考虑颜色Gor和距离Gos的影响

点云上采样

• 让点云变得稠密

• 分别是使用双边滤波 中值滤波和均值滤波的效果