实验4 点云拟合与分割

三、实验内容及步骤： 从车载点云数据中分割出树的点云数据 先使用【Tools】-【Clean】-【SOR Fliter】剔除掉点云数据下面的离散点 图1 SOR剔除的参数设置 number of points to use for mean distance estimation值设为6 Standard deviation multiplier threshold(nSignma)值设为10， 在这种情况下，算法将计算每个点与其6个最近邻的平均距离，并根据 nSigma * 标准差阈值过滤距离超出平均距离的点。这种设定可以充分去除离群点，同时保留较大对象的细节和形状特征，所以得到了最佳结果。 图1 SOR异常值剔除离群点 1.2、剔除地面连接点      使用【Plugins】下的【CSF Filter】剔除掉地面连接点的点云数据 分类阈值设为0.1 剔除掉的地面点数据 剔除后剩余数据 图2 剔除地面连接点        1.3、使用【Tools】-【Segementation】-【Label Connected Components】进行聚类分析 1.3.1、此处要分割出树的数据，可设置的参数为八叉树分级和每簇点云数据的最小点数值 图2 聚类分析参数设置           1.3.2、将两个参数设为不同值并进行比较得出最佳的参数设置结果                  以下参数设置表达为10-1000表示八叉树分级和每簇点云数据的最小点数值为10和1000，其他类似。 10-1000 8-1000 10-2000 图3 设置不同参数值时的聚类分析结果          1.3.3、分析聚类分析结果                 对比8-1000和10-1000的一小部分图发现，在树与花坛有点云数据相连的部分时，八叉树等级设为8并为精细分开，这是设为10时结果更优 8-1000 10-1000 图4 对比八叉树分级不同时的最优情况               再对比10-1000和10-2000的一小部分图 ，可以发现每簇点云数据的最小点数值设为1000时，最后所得的簇树很多，给后续的手工处理带来更多的操作量，可得设为2000时结果更优 10-2000 10-1000 图5 对比每簇点云数据的最小点数值时的最优情况 根据所得结果保留树的cluster，得到结果图 图6 保留树的点云数据后的结果图