无序点云预处理

于 2022-06-09 17:12:16 发布
阅读量601 收藏 12
点赞数
分类专栏： PCL 文章标签： c++ 算法 计算机视觉
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/m0_45081612/article/details/125205302
版权

点云的预处理主要包括：点云去噪和点云的简化
点云的去噪主要是去除离群点点云的平滑处理
去除离群点方法：半径滤波和统计滤波
平滑处理方法：双边滤波和导向滤波
点云简化：体素滤波

去除背景：主要是去除地面
方法：渐进形态学滤波，平面拟合，布料法

点云体素滤波

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

using namespace std;

int
main(int argc, char** argv)
{
	// -------------------------------读入点云数据--------------------------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PCDReader reader;
	reader.read("data//table_scene_lms400.pcd", *cloud);
	cout << "PointCloud before filtering: " << *cloud << endl;
	// --------------------------------VoxelGrid----------------------------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::VoxelGrid<pcl::PointXYZ> vg;
	vg.setInputCloud(cloud);             // 输入点云
	vg.setLeafSize(0.3,0.3,0.3); // 设置最小体素边长
	vg.filter(*cloud_filtered);          // 进行滤波
	cout << "PointCloud after filtering: " << *cloud_filtered << endl;
	// ---------------------------------保存结果----------------------------------
	pcl::PCDWriter writer;
	writer.write<pcl::PointXYZ>("2f.pcd", *cloud_filtered, false);
	// ---------------------------------结果可视化--------------------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("ShowCloud"));

	int v1(0);
	viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
	viewer->setBackgroundColor(0, 0, 0, v1);
	viewer->addText("Raw point clouds", 10, 10, "v1_text", v1);
	int v2(0);
	viewer->createViewPort(0.5, 0.0, 1, 1.0, v2);
	viewer->setBackgroundColor(0.1, 0.1, 0.1, v2);
	viewer->addText("filtered point clouds", 10, 10, "v2_text", v2);
	viewer->setWindowName("VoxelGrid");
	viewer->addPointCloud<pcl::PointXYZ>(cloud, "sample cloud", v1);
	viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "cloud_filtered", v2);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "sample cloud", v1);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "cloud_filtered", v2);
	//view->addCoordinateSystem(1.0);
	//view->initCameraParameters();
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}

统计滤波

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/filters/radius_outlier_removal.h>

using namespace std;




void VisualizeCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& filter_cloud) {
    //-----------------------显示点云-----------------------
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("显示点云"));

    int v1(0), v2(0);
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
    viewer->setBackgroundColor(0, 0, 0, v1);
    viewer->addText("point clouds", 10, 10, "v1_text", v1);
    viewer->createViewPort(0.5, 0.0, 1, 1.0, v2);
    viewer->setBackgroundColor(0.1, 0.1, 0.1, v2);
    viewer->addText("filtered point clouds", 10, 10, "v2_text", v2);
   
    // 按照z字段进行渲染,将z改为x或y即为按照x或y字段渲染
    pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> fildColor(cloud, "z");
    viewer->addPointCloud<pcl::PointXYZ>(cloud, fildColor, "sample cloud", v1);

    viewer->addPointCloud<pcl::PointXYZ>(filter_cloud, "cloud_filtered", v2);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "cloud_filtered", v2);
   
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "cloud_out", v3);
    //viewer->addCoordinateSystem(1.0);
    //viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}

int
main()
{
   // pcl::PointCloud<pcl::PointXYZ>::Ptr cloudOrign(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    //读入点云数据
    pcl::PCDReader reader;
    reader.read<pcl::PointXYZ>("d://PCD//11.pcd", *cloud);
    cout << "Cloud before filtering:\n " << cloud->size() << endl;
    // -----------------统计滤波-------------------
    // 创建滤波器，对每个点分析的临近点的个数设置为50 ，并将标准差的倍数设置为1  这意味着如果一
    // 个点的距离超出了平均距离一个标准差以上，则该点被标记为离群点，并将它移除，存储起来
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);   //设置待滤波的点云
    sor.setMeanK(50);           //设置在进行统计时考虑查询点邻近点数
    sor.setStddevMulThresh(10);  //设置判断是否为离群点的阈值，里边的数字表示标准差的倍数，1个标准差以上就是离群点。
    //即：当判断点的k近邻平均距离(mean distance)大于全局的1倍标准差+平均距离(global distances mean and standard)，则为离群点。
  

    sor.filter(*cloud_filtered); //存储内点
    cout << "Cloud after filtering: \n" << cloud_filtered->size() << endl;
    // 保存点云
    pcl::PCDWriter writer;
    writer.write<pcl::PointXYZ> ("d://filter.pcd", *cloud_filtered, true);
     // 可视化
    VisualizeCloud(cloud, cloud_filtered);

    return (0);
}

半径滤波


}

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/filters/radius_outlier_removal.h>

using namespace std;




void VisualizeCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& filter_cloud) {
    //-----------------------显示点云-----------------------
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("显示点云"));

    int v1(0), v2(0);
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
    viewer->setBackgroundColor(0, 0, 0, v1);
    viewer->addText("point clouds", 10, 10, "v1_text", v1);
    viewer->createViewPort(0.5, 0.0, 1, 1.0, v2);
    viewer->setBackgroundColor(0.1, 0.1, 0.1, v2);
    viewer->addText("filtered point clouds", 10, 10, "v2_text", v2);
   
    // 按照z字段进行渲染,将z改为x或y即为按照x或y字段渲染
    pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> fildColor(cloud, "z");
    viewer->addPointCloud<pcl::PointXYZ>(cloud, fildColor, "sample cloud", v1);

    viewer->addPointCloud<pcl::PointXYZ>(filter_cloud, "cloud_filtered", v2);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "cloud_filtered", v2);
   
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "cloud_out", v3);
    //viewer->addCoordinateSystem(1.0);
    //viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}

int
main()
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    //读入点云数据
    pcl::PCDReader reader;
    reader.read<pcl::PointXYZ>("d://PCD//11.pcd", *cloud);
    cout << "Cloud before filtering:\n " << cloud->size() << endl;
    pcl::RadiusOutlierRemoval<pcl::PointXYZ> radius;
    radius.setInputCloud(cloud);
    radius.setRadiusSearch(radius_search);
    radius.setMinNeighborsInRadius(num);
    radius.filter(*cloud_filtered);

    cout << "Cloud after filtering: \n" << cloud_filtered->size() << endl;
    // 保存点云
    pcl::PCDWriter writer;
    writer.write<pcl::PointXYZ> ("d://filter.pcd", *cloud_filtered, true);
     // 可视化
    VisualizeCloud(cloud, cloud_filtered);

    return (0);
}

导向滤波
GuildFilter.h

#pragma once
#include<pcl/point_types.h>
#include <pcl/common/centroid.h>
#include <pcl/search/kdtree.h> // for KdTree
namespace plug
{

	template<typename PointTin, typename PointTout>
	class GuildFilter : public pcl::PointCloud<PointTin>
	{
	protected:

		using SearcherPtr = typename pcl::search::Search<PointTin>::Ptr;

	public:
		// 输入点云
		inline bool
			setInputCloud(pcl::PointCloud<PointTin>::Ptr& input_cloud)
		{
			m_input = input_cloud;
			return true;
		};
		// k近邻搜索的邻域点数
		inline void
			setKsearch(int nr_k)
		{
			m_k = nr_k;
		}

		// 参数阈值
		inline void
			setEpsilonThresh(double epsilon)
		{
			m_epsilon = epsilon;
		}

		// 导向滤波实现过程
		void filter(pcl::PointCloud<PointTout>& output)
		{
			output = *m_input;
			if (!m_searcher)
				m_searcher.reset(new pcl::search::KdTree<PointTin>(false));

			m_searcher->setInputCloud(m_input);
			// The arrays to be used
			pcl::Indices nn_indices(m_k);
			std::vector<float> nn_dists(m_k);

			for (int i = 0; i < static_cast<int> (m_input->size()); ++i)
			{

				if (m_searcher->nearestKSearch(m_input->points[i], m_k, nn_indices, nn_dists) > 0)
				{
					Eigen::Vector4f point_mean;
					pcl::compute3DCentroid(*m_input, nn_indices, point_mean);

					double neigh_mean_2 = 0.0;
					for (size_t idx = 0; idx < nn_indices.size(); ++idx)
					{
						neigh_mean_2 += m_input->points[nn_indices[idx]].getVector3fMap().squaredNorm();
					}

					neigh_mean_2 /= nn_indices.size();

					double point_mean_2 = point_mean.head<3>().squaredNorm();
					double a = (neigh_mean_2 - point_mean_2) / (neigh_mean_2 - point_mean_2 + m_epsilon);
					pcl::PointXYZ b;
					b.x = (1.0 - a) * point_mean[0];
					b.y = (1.0 - a) * point_mean[1];
					b.z = (1.0 - a) * point_mean[2];


					output.points[i].x = a * m_input->points[i].x + b.x;
					output.points[i].y = a * m_input->points[i].y + b.y;
					output.points[i].z = a * m_input->points[i].z + b.z;
				}
			}
		}


	private:
		pcl::PointCloud<PointTin>::Ptr m_input;

		SearcherPtr m_searcher;
		int m_k = 20;
		double m_epsilon = 0.05;
	};
}

main

#include <iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_cloud.h>
#include"GuildFilter.h"
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

using namespace std;

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile<pcl::PointXYZ>("bunnyAddGausiss.pcd", *cloud);
	// -----------------------------导向滤波---------------------------------
	plug::GuildFilter<pcl::PointXYZ, pcl::PointXYZ>gf;
	gf.setInputCloud(cloud);
	gf.setKsearch(20);
	gf.setEpsilonThresh(0.05);
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZ>);
	gf.filter(*cloudOut);
	pcl::io::savePCDFileBinary("guild_filter.pcd", *cloudOut);
	// ------------------------------可视化---------------------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("ShowCloud"));
	viewer->setWindowName("点云导向滤波");
	int v1(0);
	viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
	viewer->setBackgroundColor(0, 0, 0, v1);
	viewer->addText("Raw point clouds", 10, 10, "v1_text", v1);
	int v2(0);
	viewer->createViewPort(0.5, 0.0, 1, 1.0, v2);
	viewer->setBackgroundColor(0.1, 0.1, 0.1, v2);
	viewer->addText("filtered point clouds", 10, 10, "v2_text", v2);
	pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> Color(cloud, "z");
	pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> FilterColor(cloudOut, "z");
	viewer->addPointCloud<pcl::PointXYZ>(cloud, Color, "sample cloud", v1);
	viewer->addPointCloud<pcl::PointXYZ>(cloudOut, FilterColor, "cloud_filtered", v2);
	
	//view->addCoordinateSystem(1.0);
	//view->initCameraParameters();
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}
Sun.1998
关注
  • 0
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL点云处理之无序点云的空间变化检测octree（四十五）
weixin_44329757的博客
01-09 1614
利用八叉树划分体素进行点云变化检测
open3d 常用库学习记录
weixin_43030192的博客
10-04 4895
open3d常用api
C#实现点云构面(MC算法等值面)
海涛高软
04-24 2389
https://github.com/Lin20/isosurface 图像数据到网格数据-1——MarchingCubes算法 图像数据到网格数据-2——改进的SMC算法 图像数据到网格数据-3——Cuberille算法 水泡动画模拟（Marching Cubes） FR:海涛高软（hunk Xu) QQ技术交流群：386476712 ...
OpenGL读取点云文件并绘制
08-05
基于glut，读取点云文件 并进行绘制 包括用鼠标加键盘进行旋转、缩放、平移操作 使用VS2012编写
基于切片技术的点云数据预处理研究 (2009年)
05-26
针对扫描点云杂乱无序的特点,讨论了点云数据预处理的问题,提出了一种新的基于点云切片的数据预处理迭代算法.通过对点云最小包围盒进行均匀分割及分割后点云的密度分析,对密度过大的分割块进行迭代分割,建立了3个方向...
无序散乱点云的表面重建.pdf
11-14
3. **几何建模**: 通过数学方法构造三维物体的几何表示，包括曲线、曲面等，重建算法需要考虑如何从无序点云中提取这些几何信息。 4. **曲面拟合**: 将点云数据拟合成一个连续的曲面模型，通常使用三角网格或分段...
2012顶会文章点云Don算法论文
09-24
"2012顶会文章点云Don算法论文"介绍了一种新颖的多尺度运算符，即“法线差分（Difference of Normals, DoN）”，专门用于无序3D点云的数据处理。该算法提供了一种高效、多尺度的方法来处理大规模无序的3D点云数据。 ...
离散点云三维重建matlab程序
03-24
点云数据可以是无序的，也可以包含颜色、法线等附加信息。 在三维重建过程中，主要有以下几个关键步骤： 1. **预处理**：包括去除噪声点、滤波、平滑处理以及空洞填充等。MATLAB中的`pcfilter`函数可用于滤波，`...
点云重建源代码
12-30
泊松重建是一种数学优化方法，通过解决泊松方程来构建连续、光滑的表面，适用于处理散乱无序的点云数据。 点云数据通常由激光雷达、结构光传感器或深度相机等设备获取，包含空间中多个点的坐标信息。在重建过程中，...
点云预处理
04-22
基于逆向工程的点云数据预处理技术研究.pdf
openTKdemo.rar_OpenTK 按键\_las点云显示_opentk 点云_点云 opentk_点云显示opentk
07-15
用OpenTK做的点云浏览程序，使用八叉树管理点云数据，采用视景体切割和显示列表加速，打开常用的LAS格式点云
osg之显示点云
weixin_34390105的博客
10-13 896
osg虽然不是很火，但是对于非计算机专业的人来说确实是一个神器，osg其实也是来自于opengl,它可以理解为一个高度封装的opengl图像库，由于其没有太多太多的技术门槛以及扩展性不高，导致其市场一直不温不火，但是其封装的LOD技术，多线程技术以及显示还是为急需做平台又不想投入大量时间的人提供了便利。博主就是属于其中之一，由于点云数据越来越大，如今数据点不超过1个亿都不好...
点云的无序性_点云规则化处理(一)
weixin_39652760的博客
11-21 2321
点云是无序且不规则的数据，无法用现有的卷积神经网络进行计算和训练。所以自然就出现将规则化处理和卷积相结合，前面部分用规则化处理，后面部分接上一般的神经网络进行端对端的学习和训练。VoxelNet2017年苹果公司基于点云的3D物体检测论文“VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection”具体思想将三维点...
点云数据增强及预处理
huang_victor的博客
04-02 3329
数据增强： 1. random world flip：沿着x或者y轴，翻转点云 点云的x或者y，要翻转 3d box中心的x或者y，要翻转 3d box的朝向要翻转 point segmentation label，点云的相对顺序没有发生变化 2. random_world_rotation：沿着点云原点，旋转点云 点，x,y，绕z轴旋转 3d box，绕z轴旋转，中心和朝向都要变化 point segmentation label，点云的相对顺序没有发生变化 3. random_world_scaling
matlab点云文件预处理
u014509577的博客
01-24 2458
1、Ply文件转矩阵 clc; clear; close all; %% 载入数据 (TXT格式变为MAT格式 便于后续load data使用) pointCloud1 = pcread('H:\配准\数据集\office\s1.ply'); pointCloud2=pcread('H:\配准\数据集\office\s2.ply'); % 显示DData figure pcshow(po...
双边滤波算法在点云数据处理时的应用
qq4131533523的博客
11-29 7092
双边滤波算法在点云数据处理时的应用 简介（摘自百科） 双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点 。双边滤波器的好处是可以做边缘保存（edge preserving），一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的...
点云平滑之双边滤波适用性分析
qq_33029733的博客
06-22 3746
双边滤波原文“The Bilateral Filter for Point Clouds"，作者为 Julie Digne、 Carlo Franchis。由于双边滤波原理简单，其实现过程并不复杂，因此本文不对其原理进行详细说明和解释，有兴趣的小伙伴可以直接下载论文进行详细阅读。本文旨在分析双边滤波的适应范围及其不足之处。 下面直接给出论文中单点更新的方法： 通过单点更新公式可知，更新点为原始点在法线方向上的移动。作者在此处进行了说明，通过半径搜索得到的邻域点集进行法线估计，法线无需进行定向，其原因

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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