点云

								            <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f76675cdea.css">
						<div class="htmledit_views">
                
<h2><a name="t0"></a>参考文献：</h2>
<div><span></span>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;<span style="font-size:14px;">关于此类的详细信息和学术上的理论推导大家可以查看Marc Alexa的文章“<a href="http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1175093&amp;tag=1" rel="nofollow" target="_blank">Computing and Rendering Point
 Set Surfaces</a>”。</span></div>
<h2><a name="t1"></a>用法小结：</h2>
<p><span style="font-size:14px;">&nbsp; &nbsp; &nbsp; &nbsp;虽说此类放在了Surface下面，但是通过反复的研究与使用，我发现此类并不能输出拟合后的表面，不能生成Mesh或者Triangulatio</span><span style="font-size:14px;">ns，只是将点云进行了MLS的映射，使得输出的点云更加平滑。</span></p>
<div>
<p><span style="font-size:14px;"><span></span>&nbsp; &nbsp; &nbsp; &nbsp;因此，在我看来此类应该放在Filter下。通过多次的实验与数据的处理，我发现此类主要适用于点云的光顺处理，当然输入的点云最好是滤过离群点之后的点集，否则将会牺牲表面拟合精度的代价来获得输出点云。</span></p>
<h2><a name="t2"></a>详细分析：</h2>
<h3><a name="t3"></a>参数输入输出：</h3>
<div>
<p><span style="font-size:14px;">&nbsp; &nbsp; &nbsp;</span><span style="font-size:14px;"> &nbsp;此类由基类CloudSurfaceProcessing派生，生成对象的方式也很简单，如下：</span></p>
<p><span style="font-size:14px;"></span></p>
<p style="text-align:center;">Pcl::MovingLeastSquares&lt;PointInT, PointOutT&gt; mls</p>
<span style="font-size:14px;">&nbsp; &nbsp; &nbsp; &nbsp;其中PointInT决</span><span style="font-size:14px;">定了输入点云类型，PointOutT为点云输出类型（当法线估计标志位设置为true时，输出向量必须加上normals，这一点我们将会在成员函数里介绍）。</span>
<h3><a name="t4"></a><span style="font-size:14px;">成员函数简介：</span></h3>
<div>
<p><span style="font-size:14px;">&nbsp; &nbsp; &nbsp; &nbsp;这里我就不一一介绍所有的成员函数了，只是把常用的成员函数给列出来，并给出其的使用方法。</span></p>
</div>
<div>
<ol><li><span style="font-size:14px;"></span>
<p>inline void setComputeNormals(bool compute_normals) &nbsp;我们都知道表面重构时需要估计点云的法向量，这里MLS提供了一种方法来估计点云法向量。（如果是true的话注意输出数据格式）。</p>
</li><li>
<p><span style="font-size:14px;">inline void setSearchMethod(const KdTreePtr&amp;tree) &nbsp;使用kdTree加速搜索<br></span></p>
</li><li>
<p><span style="font-size:14px;">inline void setPolynomialOrder(int order) &nbsp;MLS拟合曲线的阶数，这个阶数在构造函数里默认是2，但是参考文献给出最好选择3或者4，当然不难得出随着阶数的增加程序运行的时间也增加。<br></span></p>
</li><li>
<p></p>
<p><span style="font-size:14px;">inline voidsetPolynomailFit(bool polynomial_fit) &nbsp;对于法线的估计是有多项式还是仅仅依靠切线。</span></p>
</li><li>
<p><span style="font-size:14px;">inline void setSearchRadius(double radius) &nbsp;确定搜索的半径。也就是说在这个半径里进行表面映射和曲面拟合。从实验结果可知：半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。</span></p>
<div style="text-align:center;"><img src="https://img-blog.csdn.net/20140708101316750?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMjMzNzAzNA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" width="450" height="250"></div>
<div style="text-align:center;">&nbsp; &nbsp; &nbsp; &nbsp;这里是阶数为2，搜索半径为20的情况，可见奶粉罐侧面的凹陷已不见</div>
<div style="text-align:center;"><img src="https://img-blog.csdn.net/20140708101647484?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMjMzNzAzNA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" width="450" height="250"><br></div>
<div style="text-align:center;">这里是阶数为4，搜索半径为8的情况，较真实的还原了实际</div>
<p></p>
</li><li>
<p><span style="font-size:14px;"></span></p>
<p>inline void setUpsamplingMethod(UpsamplingMethodmethod) &nbsp;这个函数比较特殊，他会调用不同的枚举变量， 每个枚举变量有对应的几个不同的函数，因此这里我将一一解释。经过试验证明：这个upsampling函数只能增加密度较小区域的密度对于holes的填补却无能为力（本来想着用之填补点云缺失的部分，却发现此函数并没有那么强大）。接下来将会一一介绍四个不同的方法。</p>
<p>a)&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;NONE——将不会进行upsampling</p>
<p>b)&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;SAMPLE_LOCAL_PLANE——这个方法就是参考论文中采用的方法，当然此方法所需的计算强度也相当庞大。若使用此方法，将需要调用两个函数：</p>
<p><span></span>A.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Inline voidsetUpsamplingRadius(double radius) 此函数规定了点云增长的区域。可以这样理解：把整个点云按照此半径划分成若干个子点云，然后一一索引进行点云增长。</p>
<p><span></span>B. &nbsp; &nbsp; Inline voidsetUpsamlingStepSize(double size) 对于每个子点云处理时迭代的步长。</p>
<p>c)&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;RANDOM_UNIFORM_DENSITY——也是使用上面子点云的原理，只不过它使得稀疏区域的密度增加，从而使得整个点云的密度均匀。它需要调用函数：inline void setPointDensity(int desired_num_po-ints_in_radius) 注意此函数输入整型变量，意为半径内点的个数。（这个半径应该是search的半径，不需要重新设置）。</p>
<p>d)&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;VOXEL_GRID_DILATION——这个方法有两个步骤：首先将点云以voxels分割，然后进行迭代使得voxels的数目增加。它的结果是：填充空洞和平均化点云的密度。它需要调用的函数为：</p>
<p><span></span>A.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Inline voidsetDilationVoxelSize(float voxel_size) 设定voxel的大小。</p>
<p><span></span>B. &nbsp; &nbsp; Inline voidsetDilationIterations(int iterations) 设置迭代的次数。</p>
</li><li>
<p></p>
<p><span style="font-size:14px;">&nbsp;Void process(PointCloudOut&amp;output) 此类的最后一个函数，将会输出处理后的点云。</span></p>
</li><li>
<p><span style="font-size:14px;">当然还有其他的一些函数，我就不在这里一一进行介绍了，留给读者们自己开发吧。 :)</span></p>
</li></ol><h2><a name="t5"></a><span style="font-size:14px;">效果展示：</span></h2>
<div><span style="font-size:14px;">&nbsp; &nbsp; &nbsp; &nbsp;</span><span style="font-size:14px;">我使用的PCL版本为1.6.0 all-in-one，IDE为vs2010。源码和源点云文件我已上传到CSDN（<a href="http://download.csdn.net/detail/u012337034/7607167" rel="nofollow" target="_blank">点此下载</a>）。成功的把3000多点云数据Upsampling到了数万组。下面上效果图（明显比上述两幅图片更加密集）。对了我的邮箱为littletinygo@sina.com，希望与大家多多交流共同进步。</span></div>
<div style="text-align:center;"><span style="font-size:14px;"><img src="https://img-blog.csdn.net/20140708155240359?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMjMzNzAzNA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" width="450" height="250"><br></span></div>
</div>
<p></p>
<div style="text-align:left;"><span style="text-align:center;"></span></div>
<div style="text-align:left;"><span style="text-align:center;"><span></span></span></div>
&nbsp; &nbsp;&nbsp;
<p></p>
<p><br></p>
<br></div>
<div><br></div>
<p><span style="font-size:14px;"><br></span></p>
<br></div>
            </div>