【点云上采样】基于移动最小二乘(MLS)的上采样

一、声明

• 本帖持续更新，如有问题，望指正！

二、简介

基于MLS（Moving Least Squares）的上采样是一种常用的点云处理方法，用于增加稀疏点云数据的密度和细节。MLS上采样通过对点云进行局部拟合，并使用拟合结果生成新的点，从而实现点云的平滑和细节恢复。

MLS上采样的工作流程如下：

1. 针对每一个待上采样的点，选择其邻域内的一组最近邻点。
2. 对于选定的邻域点集，通过拟合一个平滑的曲面来逼近这些点。常用的拟合方法包括欧式最小二乘法（OLS）和加权最小二乘法（WLS）。
3. 根据拟合结果，生成新的采样点。通常是在拟合曲面上均匀采样一定数量的点。
4. 重复以上步骤，直到所有待上采样的点都得到处理。

MLS上采样的结果具有以下特点：

• 增加点云的密度：通过生成额外的采样点，将原始稀疏点云的密度增加到更高的水平。
• 平滑点云的表面：由于对每个点进行了局部曲面拟合，MLS上采样可以实现平滑点云的表面，减少形状的噪声和不规则性。
• 恢复细节：通过在拟合曲面上均匀采样新的点，MLS上采样可以恢复原始点云中的细节信息。

下图所示是使用PCL实现的基于MLS上采样的结果图。

（a）原始点云	（b）PCL中基于MLS上采样结果

三、代码

// Create a KD-Tree
pcl::search::KdTree<PointType>::Ptr tree(new pcl::search::KdTree<PointType>);

// Init object (second point type is for the normals, even if unused)
pcl::MovingLeastSquares<PointType, PointType> mls;
mls.setComputeNormals (true);

// Set parameters
mls.setInputCloud(cp_.cloud_);
mls.setPolynomialOrder(3);
mls.setSearchMethod(tree);
mls.setSearchRadius(0.005); // r1

//Upsampling 采样的方法还有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
mls.setUpsamplingMethod(pcl::MovingLeastSquares<PointType, PointType>::SAMPLE_LOCAL_PLANE); //对点云进行上采样
mls.setUpsamplingRadius(0.002);    // r2
mls.setUpsamplingStepSize(0.0001);  // r3
mls.process(*ocloud_);      //执行采样操作

四、参数理解和讨论

在上述代码中标记了三个半径：
$r_1$： mls.setSearchRadius(0.005);
$r_2$：mls.setUpsamplingRadius(0.002);
$r_3$：mls.setUpsamplingStepSize(0.0001);
下面展示一下这三个参数的效果。请注意下面展示效果的时候$r$只是参考半径，例如你可以设为点云中最近邻距离最大值等。

$r_1$效果

从下面效果图中可以看出$r_1$越大，用于MLS曲面的点越多，从而得到的点云表面越平滑。

a.原始点云	b. 设置$r_1=r$	c. 设置$r_1=1.5r$
c.设置$r_1=2r$	d. 设置$r_1=2.5r$	e. 设置$r_1=3r$

$r_2$效果

从下面效果图中可以看出$r_2$越大，从原始点云的每个点扩展出去的范围越大

a. 设置$r_2=0.4r$	b. 设置$r_2=0.8r$	c. 设置$r_2=1.5r$

$r_3$效果

从下面效果图中可以看出$r_3$越大，采样的步长也越大。

a. 设置$r_3=0.1r$	b. 设置$r_3=0.25r$	c. 设置$r_2=0.5r$

五、参考

[1] https://blog.51cto.com/u_13157605/6038637