超体素分割

最新推荐文章于 2024-09-26 21:54:43 发布
最新推荐文章于 2024-09-26 21:54:43 发布
阅读量3.7k 收藏 28
点赞数 7
分类专栏： Point Cloud Library (PCL) 文章标签： c++ 开发语言 后端
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/qq_32867925/article/details/122011665
版权

 本文体素构建及超体素生成，参考文献《基于超体素区域增长的点云分割算法研究》与《Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds》

体素数据---------------------体素化网格

        体素（Voxel）是体积元素（Volume pixel）的简称，是数据位于三维空间内规则网格上的最小单位，体素，其物理意义类似于二维图像像素在三维空间上的推广，是一组均匀分布、位于正交网格中心的立方体的集合。体素不能表示三维空间中的位置信息，即不具有三维坐标。可以通过体素数据在立体空间内的相对位置关系表示场景或物体的三维信息。

1.首先将点云数据进行体素化

        体素化（Voxelization）是利用体素来近似表示场景或物体的空间结构和几何形状的过程。体素化的基本原理是：在输入的点云数据上创建一个三维立体的网格，立体网格是一种微小的三维立方体的集合。然后，在每个三维立方体内，利用立方体内所有点云数据的重心点来近似表示网格内的所有点，网格处理后得到相应的体素云数据。体素云数据可以表示模型的表面几何特征和内部属性信息，并且利用体素数据的相对位置关系还可以表示三维信息。

体素化过程如下：

        点云数据是杂乱、无组织结构的，但是通过体素化处理后，在体素空间内存在三
种拓扑结构：6 邻接、18 邻接以及 26 邻接。其中 6 邻接的两个体素具有 6 个公共面，
18 邻接的体素具有 12 条公共边和 6 个公共面，26 邻接体素在此基础上还具有 8 个
公共点。如图 3.3 所示，从左到右依次为 6 邻接、18 邻接以及 26 邻接。

2.网格化处理

        体素化处理后，利用网格化操作筛选种子体素，为聚类算法提供初始种子点。

        首先在体素空间下进行网格化处理，网格化处理的分辨率为Rpatch。选择网格内最接近中心的体素作为初始种子体素。对于初始的候选种子体素进行过滤去噪处理，删除体素空间下孤立的种子点，保留位于物体表面上的种子体素。对于每个体素种子，建立一个半径为Rsearch的搜索区域，计算该种子点在邻域半径Rsearch下的体素数目，删除表面与搜索范围内相交区域内体素数目小于固定阈值的种子体素，如下图内黄色区域所示。

         需要注意的是，网格化分辨率Rpatch要远大于体素分辨率Rvoxel。否则，在筛选种子的过程中无法准确判断网格的中心体素，或者无法正确剔除孤立种子点，使得流约束聚类算法在初始化的过程中产生误差，并且在聚类迭代的过程中不断增加，最终导致错误分割。同时，网格化分辨率对过分割得到的超体素具有直接的影响，网格分辨率的大小与超体素的大小成正比例。如上图所示，背景虚线网格表示体素化处理，网格化分辨率Rpatch>>Rvoxel。在红色种子体素的搜索范围内，与物体表面相交的体素数据只有两个，小于预先设置的固定阈值，则判断红色种子体素是空间内的孤立种子点，并将其删除。
        种子体素选择、过滤结束后，需要综合考虑体素数据的特征向量，计算种子体素与连通邻接体素的相似性。

 3. 特征计算与距离度量

3.1特征计算        

        在上述初始化的基础上，综合考虑点云数据的边缘属性、几何特征和空间距离来衡量体素之间的相似性，在37维的特征空间下对体素数据进行聚类，其中包括曲率值、XYZ三维空间和33维的点特征空间。体素数据在37维特征空间下的特征向量定义为：

 其中，x，y，z是空间三维坐标；c表示体素数据的曲率值；FPFH1...33为快速点特征直方图（Fast Point Feature Histograms，FPFH），该直方图是由33个浮点数组成的特征向量。

3.2 距离度量

        综合考虑边缘属性、几何特征和空间位置来衡量体素之间的相似性，利用曲率特征、FPFH和空间距离计算邻接体素的相似性距离。
        通过限制每次聚类过程的搜索范围，可以使得该算法在接近相邻超体素的聚类中心时停止搜索。这意味着在聚类过程中，需要利用最大距离为的数据对空间距离Ds进行归一化处理。两种属性的相对重要性随着种子分辨率Rpatch变化。
        定义D表示体素与邻接体素之间的距离，Ds是三维空间内体素的欧式距离值，Dc表示体素之间的曲率变化值，DHIK是体素点特征直方图的交叉核，分别对应空间距离和几何特征的影响因子，Cmax表示体素邻域范围内的最大曲率值，用来对体素之间的曲率距离进行归一化处理。邻接体素距离的计算公式如下：

 

3.4 超体素聚类分割

如下为针对XYZ格式的点云使用超体素进行分割的结果：

#include <pcl/console/parse.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/segmentation/supervoxel_clustering.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include<iostream>
//VTK include needed for drawing graph lines
#include <vtkPolyLine.h>
#include"IO.h"

using namespace pcl;
using namespace std;

typedef PointXYZ PointT;
typedef PointXYZL PointTL;
//-----------------------邻接线条可视化------------------------------------------
void addSupervoxelConnectionsToViewer(PointXYZRGBA& supervoxel_center,
	PointCloud<PointXYZRGBA>& adjacent_supervoxel_centers,
	std::string supervoxel_name,
	pcl::visualization::PCLVisualizer::Ptr& viewer)
{
	vtkSmartPointer<vtkPoints> points = vtkSmartPointer<vtkPoints>::New();
	vtkSmartPointer<vtkCellArray> cells = vtkSmartPointer<vtkCellArray>::New();
	vtkSmartPointer<vtkPolyLine> polyLine = vtkSmartPointer<vtkPolyLine>::New();

	//遍历所有相邻点，并在相邻点对中添加一个中心点
	for (auto adjacent_itr = adjacent_supervoxel_centers.begin(); adjacent_itr != adjacent_supervoxel_centers.end(); ++adjacent_itr)
	{
		points->InsertNextPoint(supervoxel_center.data);
		points->InsertNextPoint(adjacent_itr->data);
	}
	// 创建一个polydata来存储所有内容
	vtkSmartPointer<vtkPolyData> polyData = vtkSmartPointer<vtkPolyData>::New();
	// Add the points to the dataset
	polyData->SetPoints(points);
	polyLine->GetPointIds()->SetNumberOfIds(points->GetNumberOfPoints());
	for (unsigned int i = 0; i < points->GetNumberOfPoints(); i++)
		polyLine->GetPointIds()->SetId(i, i);
	cells->InsertNextCell(polyLine);
	// 将这些线添加到数据集
	polyData->SetLines(cells);
	viewer->addModelFromPolyData(polyData, supervoxel_name);
}
int main() 
{
	IO IOExample;
	//--------------------加载点云--------------------------
	PointCloud<PointT>::Ptr cloud(new PointCloud<PointT>);
	char *inputpath = "..//测试数据//desk.txt";
	vector<pcl::PointXYZ> allpoints;
	allpoints = IOExample.ReadPointXYZIntoVector(inputpath);
	cloud->width = allpoints.size();
	cloud->height = 1;
	cloud->is_dense = false;
	cloud->resize(cloud->width*cloud->height);
	for (int i = 0; i < allpoints.size(); i++)
	{
		cloud->points[i].x = allpoints[i].x;
		cloud->points[i].y = allpoints[i].y;
		cloud->points[i].z = allpoints[i].z;
	}

	//-------------------点云去噪---------------------------
	StatisticalOutlierRemoval<PointT>sor;
	PointCloud<PointT>::Ptr sor_cloud(new PointCloud<PointT>);
	sor.setInputCloud(cloud);
	sor.setMeanK(10);
	sor.setStddevMulThresh(1);
	sor.filter(*sor_cloud);
	//------------------构建超体素--------------------------
	float voxel_resultion = 0.01f;
	float seed_resultion = 0.1f;
	float color_importance = 0.0f;
	float spatial_importance = 0.4f;
	float normal_importance = 5.0f;

	SupervoxelClustering<PointT> super(voxel_resultion, seed_resultion);
	super.setInputCloud(sor_cloud);
	super.setNormalImportance(normal_importance);
	super.setColorImportance(color_importance);
	super.setSpatialImportance(spatial_importance);
	std::map<uint32_t, Supervoxel<PointT>::Ptr >supervoxl_clustering;
	super.extract(supervoxl_clustering);

	cout << "supervoxel number is" << supervoxl_clustering.size() << endl;

	visualization::PCLVisualizer::Ptr viewer(new visualization::PCLVisualizer("VCCS"));
	PointCloud<PointT>::Ptr supervoxel_centroid_cloud = super.getVoxelCentroidCloud();

	viewer->addPointCloud(supervoxel_centroid_cloud, "supervoxel_centroid_cloud");
	viewer->setPointCloudRenderingProperties(visualization::PCL_VISUALIZER_POINT_SIZE, 1, "supervoxel_centroid_cloud");
	viewer->setPointCloudRenderingProperties(visualization::PCL_VISUALIZER_OPACITY, 0.5, "supervoxel_centroid_cloud");


	PointCloud<PointTL>::Ptr supervoxel_cloud = super.getLabeledVoxelCloud();
	viewer->addPointCloud(supervoxel_cloud, "supervoxel_cloud");
	viewer->setPointCloudRenderingProperties(visualization::PCL_VISUALIZER_POINT_SIZE, 1, "supervoxel_cloud");
	viewer->setPointCloudRenderingProperties(visualization::PCL_VISUALIZER_OPACITY, 0.5, "supervoxel_cloud");
	//-----------------可视化法向量--------------------------
	//PointCloud<PointNormal>::Ptr supervoxel_normal=super.makeSupervoxelNormalCloud(supervoxl_clustering);
	//viewer->addPointCloudNormals<PointNormal>(supervoxel_normal, 1, 0.2, "123");

	multimap<uint32_t, uint32_t>SupervoxelAdjacency;
	super.getSupervoxelAdjacency(SupervoxelAdjacency);
	//--------------获得体素点云的邻接单元-------------------
	for (auto label_itr = SupervoxelAdjacency.cbegin(); label_itr != SupervoxelAdjacency.cend();)
	{
		uint32_t super_label = label_itr->first;//获取体素单元的标签
		Supervoxel<PointT>::Ptr super_cloud = supervoxl_clustering.at(super_label);//把对应标签内的点云、体素质心、以及质心对应的法向量提取出来
		PointCloud<PointXYZRGBA> adjacent_supervoxel_centers;
		for (auto adjacent_itr = SupervoxelAdjacency.equal_range(super_label).first; adjacent_itr != SupervoxelAdjacency.equal_range(super_label).second; ++adjacent_itr) {
			Supervoxel<PointT>::Ptr neighbor_supervoxel = supervoxl_clustering.at(adjacent_itr->second);
			adjacent_supervoxel_centers.push_back(neighbor_supervoxel->centroid_);
		}
		std::stringstream ss;
		ss << "supervoxel_" << super_label;
		addSupervoxelConnectionsToViewer(super_cloud->centroid_, adjacent_supervoxel_centers, ss.str(), viewer);
		label_itr = SupervoxelAdjacency.upper_bound(super_label);
	}
	viewer->spin();
	return 0;
}

参考博库：与https://blog.csdn.net/qq_41918369/article/details/114436941

点云实验室lab
关注
专栏目录
PCL 基于超体素的点云分割
点云侠的博客
02-27 36万+
点云超体素分割原理介绍、代码实现以及如何做到将每一个超体素内的点进行单独保存而不造成点云缺失的方法。
PCL小功能模块4--超体素分割
yuzhenhuan4679的博客
05-06 539
文章目录1.VS代码实现2.点云数据3.结果 1.VS代码实现 声明：代可以在vs2019+pcl1.11.1上直接运行；由于没有RGBA数据，在demo点云文件上增加了RGBA信息，验证了代码的可行性。 #include <pcl/console/parse.h> #include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <
PCL超体素分割算法
yttt的博客
10-05 554
超体素分割算法-PCL
点云体素化
最新发布
qq_41327049的博客
09-26 393
点云体素化（Voxelization）是一种将点云数据转换为体素（或称为体元）网格的方法，每个体素代表空间中的一个立方体区域，并可能包含该区域内所有点的统计信息（如平均值、最大值、最小值等）或仅标记为占用/未占用。首先，需要确定每个体素的大小（即体素的边长）。根据点云数据的边界和选定的体素大小，创建一个覆盖整个点云数据的体素网格。这通常涉及到确定网格的维度（即每个维度上的体素数量），以及计算每个体素在三维空间中的位置和边界。遍历点云中的每个点，根据点的坐标和体素网格的边界，将该点分配到相应的体素中。
（超）体素云连通性分割算法VCCS
cocapop的博客
11-08 2467
体素云联通性分割算法VCCS（voxel cloud connectivity segmentation，VCCS）是一种超体素分割算法。💛x、y、z是空间坐标。L、a、b是CIELab空间颜色。💛Dc是CIELab颜色空间中的欧氏距离；Dhik是快速点直方图空间中的距离。λ、μ和ε分别是颜色、空间和法向量的权重。💛FPFH是一种位置不变的特征，它利用点的k个。使用八叉树结构对输入的点云数据进行等分，将。迭代，直到将所有体素分配给超体素为止。最小原则将每个体素分配到超体素中。的生成超体素种子，设定的。
PCL学习笔记（三十一）-- 基于超体素的点云分割
不学会C++不改名
07-29 5789
一、简介 超像素分割算法是将图像中的像素分割成符合目标物体边界的语义区域。基于图的算法，比如之所以MRF和CRF变得流行起来了，是因为该方法可以较好地融合高层语义只是和底层图像特征，消除高计算量的像素级图操作，而是转向中等级推理框架，该框架并不直接处理像素，而是使用像素群体，该像素群体被称作超像素。利用过分割的小区域，通过局部低层特征形成超像素。注意这里的像素和点云中的点对应，区别在于，点云一般是无序的，而像素都是有序的，不过都可以理解为对空间的一种离散采样表示。 二、代码分析 1）输...
超体素分割（过分割）详细过程
qq_41918369的博客
03-06 9483
参考：《Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds》和《基于超体素区域增长的点云分割算法研究》 超体素分割（过分割）详细过程超体素分割的目的：流程概括：其中必要概念词解释：（1）体素云：（2）超体素数据（supervoxel）：（3）体素空间内的集中拓扑结构：（4）快速点特征直方图（FPFH）：在其他三维任务前加上超体素分割的优点：过分割（超体素分割）的详细流程： 超体素分割的目的： 将具有相似特征属性的点云或体素
PCL 超体素分割
dayuhaitang1的博客
08-26 213
PCL 超体素分割
PCL_supervoxelclustering.zip_PCL 分割_supervoxel_点云_点云分割_点云超体素
09-20
这个压缩包包含了一个使用C++与PCL（Point Cloud Library）库实现的点云超体素分割程序。 首先，让我们了解什么是点云。点云是由激光雷达、深度相机等传感器捕捉到的3D空间中的离散点集合，它们通常包含了物体表面...
保留边缘的超体素分割源代码配置教程
04-09 304
一种分割效果比较好的超体素生成
基于机器学习的自适应超体素分割揭示了人脑中的躯体定位组织
u011661076的博客
12-03 1567
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注 导读 除了在中央前回和中央后回的成熟的躯体组织外，目前强有力的证据表明躯体组织在感觉运动网络的其他区域也很明显。这就存在几个实验问题：感觉运动网络的活动在多大程度上依赖于效应器和独立于效应器的？在预测运动效应器时，感觉运动皮层有多重要？在分布的躯体组织网络中是否冗余，以至于去除一个区域对分类精度的影响是否很小？为了回答这些问题，研究者开发了一种新的实验方法。收集参与者分别用手、脚和嘴进行精确力控制任务时的fMRI数据。使用简单线性迭代聚类(SL
PCL 点云超体素分割
m0_51204289的博客
09-19 639
PCL中点云超体素分割的简单使用案例。
PCL 点云超体素分割-SupervoxelClustering
weixin_39354845的博客
11-16 482
点云超体素分割-SupervoxelClustering
PCL点云超体素分割——supervoxelclustering调试
热门推荐
积沙成塔
04-21 1万+
#include #include #include #include #include #include // Types typedef pcl::PointXYZRGBA PointT; typedef pcl::PointCloudPointT> PointCloudT; typedef pcl::PointNormal PointNT; typedef pcl::Poi
[点云分割] Clustering of Pointclouds into Supervoxels
weixin_45824067的博客
11-23 326
Clustering of Pointclouds into Supervoxels” 是一种点云数据聚类的方法，用于将点云数据分割成具有相似特征的超体素（supervoxel）。超体素是一种在点云数据中表示连续区域的方法，类似于像素在图像中表示连续区域。超体素是点云数据的小块区域，具有相似的几何特征和颜色特征。通过将点云数据聚类成超体素，可以实现对点云数据的语义分割和对象识别。
（超）超体素
cocapop的博客
10-28 2690
PCL库中，超体素分割是一种基于点云体素的连通性分段算法（Voxel Cloud Connectivity Segmentation，VCC）。是一种应用在RGBD相机获取的点云数据中，通过使用基于三维空间的播种方法和使用颜色、几何特征的约束来实现点云的局部约束与聚类。点云体素连接性分割（VCCS）是一种从三维点云数据生成超像素和超体素的新方法。超体素：是二维算法简单的扩展到三维的应用。这种方法不能应用在三维的无序空间中，只能在有规则的体素中起作用。深度自适应的超像素分割算法（DASP）：通过增加。
点云的超体聚类与分割
余弦的专栏
11-28 4197
点云的超体聚类超体聚类：http://www.cnblogs.com/ironstark/p/5013968.html LCCP与CPC：http://www.cnblogs.com/ironstark/p/5027269.html 文章很棒，比喻很贴切，效果也很好，非常有用的。
请你写出点云超体素分割的代码
06-07
点云超体素分割是一种将点云分割成多个超体素的方法，可以有效地减少点云数据量，同时保留点云的结构信息。以下是一份基于Python和open3d库实现的点云超体素分割的代码示例： ``` python import open3d as o3d # 读取点云 pcd = o3d.io.read_point_cloud("point_cloud.pcd") # 超体素分割 voxel_size = 0.05 # 超体素大小 with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm: labels = pcd.cluster_dbscan(eps=voxel_size, min_points=10) # DBSCAN聚类 max_label = labels.max() print(f"point cloud has {max_label + 1} clusters") # 可视化结果 colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1)) colors[labels < 0] = 0 pcd.colors = o3d.utility.Vector3dVector(colors[:, :3]) o3d.visualization.draw_geometries([pcd]) ``` 其中，`read_point_cloud()`函数用于读取点云数据，`cluster_dbscan()`函数用于进行DBSCAN聚类，`draw_geometries()`函数用于可视化分割结果。
评论 3
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

点云实验室lab

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