PCL教程-几种常见采样方法

已于 2022-04-11 21:18:58 修改
阅读量3k 收藏 14
点赞数 1
分类专栏： PCL点云处理 文章标签： 点云处理 点云采样
于 2021-08-21 17:44:55 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/luolaihua2018/article/details/119721435
版权

目录

 常用采样方法简介

下采样

均匀采样

增采样

实验代码

 实验结果

原始点云

下采样处理

均匀采样处理 

增采样处理 

 常用采样方法简介

下采样

一般下采样是通过构造一个三维体素栅格，然后在每个体素内用体素内的所有点的重心近似显示体素中的其他点，这样体素内所有点就用一个重心点来表示，进行下采样的来达到滤波的效果，这样就大大的减少了数据量，特别是在配准，曲面重建等工作之前作为预处理，可以很好的提高程序的运行速度

均匀采样

这个类基本上是相同的，但它输出的点云索引是选择的关键点在计算描述子的常见方式。

增采样

增采样是一种表面重建方法，当你有比你想象的要少的点云数据时，增采样可以帮你恢复原有的表面（S），通过内插你目前拥有的点云数据，这是一个复杂的猜想假设的过程。所以构建的结果不会百分之一百准确，但有时它是一种可选择的方案。

实验代码

#include<pcl/visualization/cloud_viewer.h>
#include<pcl/visualization/pcl_visualizer.h>
#include<pcl/visualization/point_cloud_color_handlers.h>
#include<pcl/keypoints/uniform_sampling.h>
#include<pcl/surface/mls.h>
#include<iostream>
#include<pcl/io/io.h>
#include<pcl/io/pcd_io.h>
#include<pcl/filters/voxel_grid.h>
#include <pcl/common/common_headers.h>
#include <pcl/features/normal_3d.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/console/parse.h>


using namespace std;

//下采样 down_sampling
void down_sampling(pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr dest_cloud)
{
	//创建滤波对象
	pcl::VoxelGrid<pcl::PointXYZ> filter;
	//设置需要过滤的点云
	filter.setInputCloud(source_cloud);

	//设置滤波时创建的体素体积为1cm的立方体
	//设置体素栅格的大小：1*1*1 cm
	filter.setLeafSize(0.01f, 0.01f, 0.01f);
	//执行滤波处理，储存输出点云 
	filter.filter(*dest_cloud);
}

//均匀采样 uniform_sampling
void uniform_sampling(pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr dest_cloud)
{
	//创建滤波对象
	pcl::UniformSampling<pcl::PointXYZ> filter;
	//设置需要过滤的点云
	filter.setInputCloud(source_cloud);

	//设置滤波时创建的体素体积为1cm的立方体
	filter.setRadiusSearch(0.01f);
	//执行滤波处理，储存输出点云 
	filter.filter(*dest_cloud);
}

//增采样表面重建
void up_sampling(pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr dest_cloud)
{
	//滤波对象
	pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ> filter;
	filter.setInputCloud(source_cloud);
	//建立搜索对象
	pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree;
	filter.setSearchMethod(kdtree);
	//设置搜索域的半径为3cm
	filter.setSearchRadius(0.03);
	//Up sampling 采样方法有：DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
	filter.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE);
	//采样的半径是
	filter.setUpsamplingRadius(0.03);
	//采样的步数大小
	filter.setUpsamplingStepSize(0.02);

	filter.process(*dest_cloud);

}

int main(int argc, char** argv)
{
	//加载点云文件到点云对象
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr down_sampling_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr uniform_sampling_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr up_sampling_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if(argc < 2)
	{
		pcl::io::loadPCDFile<pcl::PointXYZ>("D:\\PCLProject\\cloud_sampling\\cmake_bin\\Debug\\bunny.pcd", *cloud);
	}
	else
	{
		if (pcl::io::loadPCDFile <pcl::PointXYZ>(argv[1], *cloud) == -1)
		{
			std::cout << "Cloud reading failed." << std::endl;
			return (-1);
		}// 加载输入点云数据
	}
	//下采样
	down_sampling(cloud, down_sampling_cloud);
	//均匀采样
	uniform_sampling(cloud, uniform_sampling_cloud);
	//增量采样
	up_sampling(cloud, up_sampling_cloud);

	//==================显示部分
	//创建viewer对象
	pcl::visualization::PCLVisualizer viewer("Cloud Sampling Viewer");//传入的字符串为窗口的名字
	
	int v1(1);
	int v2(2);
	int v3(3);
	int v4(4);
	viewer.createViewPort(0.0, 0.0, 0.5, 0.5, v1);
	viewer.setBackgroundColor(0, 0, 0, v1);

	viewer.createViewPort(0.5, 0.0, 1.0, 0.5, v2);
	viewer.setBackgroundColor(0, 0, 0, v2);

	viewer.createViewPort(0.0, 0.5, 0.5, 1.0, v3);
	viewer.setBackgroundColor(0, 0, 0, v3);

	viewer.createViewPort(0.5, 0.5, 1.0, 1.0, v4);
	viewer.setBackgroundColor(0, 0, 0, v4);

	// The color we will be using

	float bckgr_gray_level = 0.0;  // Black    设置背景颜色
	float txt_gray_lvl = 1.0 - bckgr_gray_level;

	// Original point cloud is white
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_in_color_h(cloud, (int)255 * txt_gray_lvl, (int)255 * txt_gray_lvl, (int)255 * txt_gray_lvl);
	viewer.addPointCloud(cloud, cloud_in_color_h, "cloud_in_v1", v1);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out_green(down_sampling_cloud, 0, 255, 0);      // 显示绿色点云
	viewer.addPointCloud(down_sampling_cloud, cloud_out_green, "down_sampling_cloud", v2);

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out_orage(uniform_sampling_cloud, 255, 0, 0);     //显示红色点云
	viewer.addPointCloud(uniform_sampling_cloud, cloud_out_orage, "uniform_sampling_cloud", v3);

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out_purple(up_sampling_cloud, 255, 0, 255);
	viewer.addPointCloud(up_sampling_cloud, cloud_out_purple, "up_sampling_cloud", v4);

	//打印点云信息
	cout << "原始点云信息：" << endl;
	cout << "width = " << cloud->width << " , height = " << cloud->height << endl;
	cout << "下采样处理后：" << endl;
	cout << "width = " << down_sampling_cloud->width << " , height = " << down_sampling_cloud->height << endl;
	cout << "均匀采样处理后：" << endl;
	cout << "width = " << uniform_sampling_cloud->width << " , height = " << uniform_sampling_cloud->height << endl;
	cout << "增采样处理后：" << endl;
	cout << "width = " << up_sampling_cloud->width << " , height = " << up_sampling_cloud->height << endl;

	viewer.spin();
	//while (!viewer.wasStopped())
	//{
	//	//在此处可以添加其他处理
	//	viewer.spinOnce();
	//	
	//} 

	// 单个窗口显示
	pcl::visualization::PCLVisualizer origin_viewer("origin_viewer");
	origin_viewer.addPointCloud(cloud);
	origin_viewer.spin();

	pcl::visualization::PCLVisualizer viewer_down_samp("down_samping_viewer");
	viewer_down_samp.addPointCloud(down_sampling_cloud, cloud_out_green);
	viewer_down_samp.spin();

	pcl::visualization::PCLVisualizer viewer_uniform_samp("uniform_samping_viewer");
	viewer_uniform_samp.addPointCloud(uniform_sampling_cloud, cloud_out_orage);
	viewer_uniform_samp.spin();

	pcl::visualization::PCLVisualizer viewer_up_samp("up_samping_viewer");
	viewer_up_samp.addPointCloud(up_sampling_cloud, cloud_out_purple);
	viewer_up_samp.spin();

	return 0;
}

 实验结果

原始点云信息：
width = 35947 , height = 1
下采样处理后：
width = 761 , height = 1
均匀采样处理后：
width = 761 , height = 1
增采样处理后：
width = 143788 , height = 1 

原始点云

下采样处理

均匀采样处理 

增采样处理 

可以看到增采样的结果不是特别准确，点云数量增加，并且结果已变形。 

 

 参考文章：

PCl 几种采样对比 - it610.com

 PCL几种采样方法

SOC罗三炮
关注
专栏目录
PCL：均匀下采样
m0_71596228的博客
04-20 262
点云处理是计算机视觉和机器人领域中的重要任务之一，而均匀采样是点云处理中常用的一种技术。均匀采样是指在点云中以一定的间隔均匀地选择点，从而减少点云的密度，降低数据量，同时保留点云的主要特征。数据降采样：在点云处理中，可能会遇到原始点云数据量过大的情况，为了减少计算量和存储空间，可以使用均匀采样来降低点云的密度。数据预处理：在某些点云处理任务中，需要对原始点云进行预处理，如去噪、平滑等。均匀采样可以帮助减少点云的噪声和不必要的细节，从而提高后续处理的效果。
PCL：随机下采样
m0_71596228的博客
04-20 159
随机下采样（Random Sampling）是点云处理中常用的一种技术，用于减少点云数据量以提高处理效率或降低计算复杂度。该技术通过随机选择点云中的部分点来创建一个子集，从而实现数据的降采样。应用场景：在点云数据较大时，为了减小数据体积和加快处理速度，可以使用随机下采样来减少数据量。在某些应用中，对点云数据进行全面处理可能会导致计算量过大，随机下采样可以用来降低数据量，从而提高处理速度。在一些特征提取任务中，如表面曲率估计等，可以先对点云进行随机下采样，然后再提取特征，以降低计算复杂度。
PCL MLS移动最小二乘法上采样（Surface_Mls）
xhm01291212的博客
09-13 347
大致思想：即使用一个类似窗口，不停移动窗口，对窗口内的点云点进行最小二乘法平面计算，按照计算出的平面方程往点云内插值。
PCL教程-点云滤波之体素滤波器（下采样）
热门推荐
DayDayUp
09-10 1万+
原文链接：Downsampling a PointCloud using a VoxelGrid filter 点云文件下载：table_scene_lms400.pcd 在本篇教程中，我们将使用体素化的方式对点云数据进行下采样。 原理 下采样：减少点云数据集中点云数量 体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能，但是会移动点的位置。 此外体素滤波器可以去除一定程度的噪音点及离群点。主要功能是用来进行降采样。 它的原理是根据输入的点云，首先计算一个能够刚好包裹住该点云的立..
PCL下采样(VoxelGrid(体素栅格))
mr_fangf的博客
07-17 500
点云数据中总会出现点分布不均匀的情况，可以通过下采样来使得点数据分别更平均，有利于曲面重构等后续处理，PCL自带的VoxelGrid(体素栅格)可以很好的完成这一任务，主要就是创建一个三维体素栅格(就是每个比较小的立方体组成的体素栅格)。在每个体素(三维立方体)里面，求取该立方体内的所有点云重心点来代表这个立方体的表示，以此达到下采样的目的。
PCL体素下采样
com1098247427的博客
10-19 452
体素下采样
PCL 快速均匀下采样
最新发布
纵马踏花向自由
09-30 522
快速均匀下采样 是一种点云降采样技术，通过设置采样步长来实现等距降采样，从而减少点的数量。用户可以通过指定步长，选择每隔一定数量的点采样一个点，这样可以在保持点云几何特性的同时，显著减少点的数量。
PCL：基于曲率下采样
m0_71596228的博客
04-20 321
曲率下采样是一种常用的点云处理技术，旨在减少点云数据的密度并保留重要的几何特征。通过计算点云中每个点的曲率信息，可以对曲率值进行阈值筛选，从而实现点云的下采样。本文将介绍曲率下采样的原理、应用以及相关参数。1. 1原理曲率下采样的原理基于点云中的曲率信息。在点云中，曲率表示了曲面的弯曲程度，具有很强的几何意义。通过计算每个点的曲率，可以了解到该点所在的曲面的几何特征。曲率下采样通过设定曲率阈值，保留高曲率或低曲率的点，从而实现点云的下采样。1.2.应用点云降噪。
第七周PCL学习--点云配准（七）
longer88888的博客
04-01 4481
目录 引言 一、点云配准 1.1、定义 1.2、含义 1.3、配准过程 1.4、算法原理 1.5、实验 1.5、实验 1.5、实验 二、总结 三、参考 引言 随着计算机辅助设计技术的发展，通过实物模型产生数字模型的逆向工程技术，由于它的独特魅力获得了越来越广泛的应用，与此同时，硬件设备的日趋完善也为数字模型操作提供了足够的技术支持。在逆向工程计算机视觉、文物数字化等领域中，由于点云的不完整、旋转错...
点云库PCL学习——几种滤波方式
zzh_AI的博客
06-20 3742
本章主要介绍几种PCL点云滤波方式： 下采样 均匀采样 增采样
研华PCL-720数字量I/O与计数器卡使用指南
"研华PCL-720中文使用手册提供了关于研华PCL-720数采卡的详细技术资料，包括产品介绍、安装与测试、信号连接、例程使用以及问题解决方法。这款板卡具备32路数字量输入、32路数字量输出和3个计数器/定时器通道，适用...
PCL采样一致性算法
点云PCL
04-11 4354
在计算机视觉领域广泛的使用各种不同的采样一致性参数估计算法用于排除错误的样本，样本不同对应的应用不同，例如剔除错误的配准点对，分割出处在模型上的点集，PCL中以随机采样一致性算法（RANSAC）为核心，同时实现了五种类似与随机采样一致形算法的随机参数估计算法，例如随机采样一致性算法（RANSAC）最大似然一致性算法（MLESAC），最小中值方差一致性算法（LMEDS）等，所有估计参数算法都符合一致
PCL法向量空间下采样滤波（normal_space）
xhm01291212的博客
07-31 948
对于原始点云，通过其点云法向量进行下采样，在，在。（1）计算点云的空间法向量。（2）依次，以此近似判断每个点的曲率。曲率大的地方判断为边缘点，曲率小的地方判断为内部点。（3）对于曲率大的地方（），下采样量级小（曲率小的地方（），下采样量级大（以此达到的目的。（4）输出结果点云。以下图为例：红色即为法向量变化小的点云块，他们的曲率变化小，那么抽稀阈值大，抽稀过后较稀疏。绿色即为法向量变化大的点云块，他们的曲率变化大，那么抽稀阈值小，抽稀过后较稠密。
PCL中的4种采样方法
mjmald的博客
09-27 523
PCL学习笔记
PCL点云下采样
qq_42217871的博客
04-28 1139
#include <pcl/io/pcd_io.h> #include <pcl/filters/voxel_grid.h> #include <pcl/io/ply_io.h> #include <pcl/point_types.h> #include <iostream> #include <pcl/visualization/cloud_viewer.h> #include<string> int main(int
PCL 下采样+去除离群点+可视化
qq_43622114的博客
05-17 597
目的 在进行点云项目的时候用到了下采样，去除离群点等操作。所以把它俩写到了一起，最后加了个可视化方便查看。其中下采样是用的VoxelGrid滤波器，去除离群点使用了StatisticsOutlierRemoval滤波器。 代码 #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/filters/voxel_grid.h> #inclu
PCL 模型采样
dayuhaitang1的博客
03-21 226
PCL 模型采样
PCL：体素下采样
qq_46170379的博客
07-07 156
设置叶子节点的大小，一般来说设置的叶子节点（网格）都是立方体，即x，y，z三个方向的大小一样。设置叶子节点要根据点云的分辨率来看。定义了一个体素滤波器对象 sor。
PCL知识点——体素化网格方法对点云进行下采样
qq_46515446的博客
06-30 2962
体素化网格方法对点云进行下采样
pcl harris-3d
11-17
PCL Harris-3D是一种用于三维数据处理的开源计算机视觉库。它提供了一系列用于处理点云数据的算法和工具，包括点云滤波、特征提取、配准、分割和重建等功能。PCL Harris-3D库基于C++语言开发，同时还提供了Python等语言的接口，便于用户进行使用和扩展。 PCL Harris-3D库主要用于处理激光雷达、摄像头等传感器获取的三维点云数据，可以用于各种领域的应用，如机器人导航、室内建模、环境监测等。它提供了多种滤波算法，可以对点云数据进行去噪和下采样，提高数据的质量和处理效率。同时，PCL Harris-3D还包含了多种特征提取算法，可以识别出点云中的特征点，用于目标检测和重建。 此外，PCL Harris-3D还提供了配准和分割算法，可以将多个点云数据进行对齐和融合，实现环境建模和物体识别。同时，它还包含了重建算法，可以基于点云数据生成三维模型，用于可视化和后续分析。 总之，PCL Harris-3D是一个强大的三维数据处理库，提供了丰富的算法和工具，可以满足各种三维数据处理需求，是计算机视觉和机器人领域的重要工具之一。
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

打赏作者

SOC罗三炮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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