PCL 3D-SIFT关键点检测(曲率不变特征约束)

已于 2022-05-26 21:06:15 修改
阅读量5.5w 收藏 16
点赞数 2
分类专栏： PCL学习 文章标签： 算法 3d 计算机视觉 几何学 c++
于 2021-05-11 19:20:20 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/qq_36686437/article/details/116607656
版权
本文介绍了PCL库中3D-SIFT算法的原理，通过建立点云的尺度空间、高斯差分尺度空间，计算曲率值加权的高斯响应，检测特征点。接着，文章展示了代码实现、结果及源码。
摘要由CSDN通过智能技术生成

目录


博客长期更新，本文最近一次更新时间为：2022年5月26日。通过阅读源码，总结了算法的实现原理及步骤。

一、算法原理

具体原理如下：
（1）建立点云的尺度空间。采用一定大小的体素栅格建立点云的体素金字塔，以体素的质心近似代替点云的体素包含的点云，可用下式表达：
p i ( x , y

了解本专栏 订阅专栏 解锁全文
点云侠
关注
专栏目录
订阅专栏
PCL 3D-SIFT关键点检测(Z方向梯度约束)
点云侠的博客
04-26 15万+
SIFT是图像上检测关键点的重要算法之一，用于处理点云数据时，有三种改进方式。此为SIFT的第一种改进算法：基于Z方向梯度约束的3D-SIFT关键点检测。
PCL 3D-SIFT关键点检测(RGB颜色特征约束)
点云侠的博客
09-28 2450
基于点云RGB颜色特征的点云3D-SIFT特征点提取
PCL3D平面裁剪滤波（PlaneClipper3D）
最新发布
xhm01291212的博客
08-01 246
使用3D的平面裁剪点云。（1）定义你所需的平面。（2）判断所有点云点在平面的哪一侧，。如何以点M为例：1）设平面上的一个向量G。2）做平面到点M的垂直向量L，点乘计算向量L和向量G的夹角（点乘算夹角，叉乘算垂直向量）3）如果夹角在0°到180°（各算法接口计算的值不一样，按情况定阈值），那么点在平面上方；如果夹角在180°到360°，那么点在平面下方。
3DSIFT
weixin_43201915的博客
03-12 1053
sift点云特整提取，时间个数 #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/common/io.h> #include <pcl/keypoints/sift_keypoint.h> #inc...
3d激光雷达开发（sift关键点）
嵌入式-老费，一个分享专业嵌入式知识的blog
03-08 1058
【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】 关键点在数据匹配、三维重建和物体识别方面发挥了巨大的作用。和narf关键点相比较，sift点用的更多。不光是点云数据，sift最早是用在图像方面，相信有过图像开发经验的朋友应该不陌生。这个算法是受专利保护的算法，这一点需要注意下。 1、准备sift.cpp // STL #include <iostream> // PCL #include <pcl/i...
PCL:实现3D-SIFT关键点检测（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
09-24 252
PCL:实现曲率不变特征约束（附完整源码）
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月4日。
3D，点云关键点和特征描述
Z's Palace
11-19 4598
3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分。如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、纹理特征、颜色、领域中心距、协方差矩阵、熵等等。如同图像的特征（sift、surf、orb）一样，我们需要使用类似的方式来描述三维点云的特征。 点云的识别，分割，重采样，配准曲面重建等大部分算法，都严重依赖特征描述与提取的结果。从尺度上来分，一般分为局部特征的描述和全局特征的描述，例如局部的法线等几何形状特征的描述，全局的拓扑特征的描述，都属于
SIFT3D-master.zip_3d sift_SIFT3D算法_sift 3D_sift3d_特征描述
07-15
经典sift3d算法,有c++和matlab两个版本。
matlab三维图像代码-SIFT3D:三维图像的尺度不变特征变换（SIFT）的模拟。包括具有特征匹配和RANSAC回归的图像处理和线性代数库
05-20
Matlab三维图像代码SIFT3D 版权所有（c）2015-2019 Blaine Rister等，有关详细信息，请参阅LICENSE。 SIFT3D是三维图像的尺度不变特征变换（SIFT）的类似物。 它利用体积数据和真实单位来检测关键点并提取其内容的可靠描述。 它还可以通过匹配SIFT3D功能并使用RANSAC算法拟合几何变换来执行3D图像配准。 所有这些都在带有Matlab包装器的跨平台C库中实现。 SIFT3D包含imutil，它是用于图像处理和线性代数的实用程序库。 该库以各种医学成像格式执行文件IO，包括DICOM和NIFTI。 内容 此代码创建以下可执行文件： kpSift3D-从单个图像中提取关键点和描述符。 regSift3D-从两个图像中提取匹配项和几何变换。 和以下库： libreg.so-通过SIFT3D功能注册图像 libsift3d.so-提取并匹配SIFT3D功能 libimutil.so-用于图像处理，回归和线性代数的实用程序库。 包括用于DICOM和NIFTI文件格式的IO功能。 它还包含一个Matlab工具箱，用于从Matlab脚本中调用库函数。 有
3D sift 匹配
06-09
-dimensional(3D)SIFT descriptor for video or 3D imagery such as MRI data.
3DSIFT_CODE
08-16
很好的3D SIFT 特征代码。用于特征提取，特征匹配
matlab匹配滤波代码-3DSIFT:3DSIFT的多线程实现
05-24
matlab匹配滤波代码3DSIFT 3D SIFT的多线程CPU实现，这是3D图像（体积图像）的尺度不变特征变换（SIFT）。 还提供了3D SIFT特征的特征匹配。 读取NIFTI图像的API包含在此程序中。 该程序是用C ++语言编写的，并使用OpenMp进行了并行化。 内容 阅读nifti图片： 头文件： Include/Util/readNii.h 函数： readNiiFile(path, nx, ny, nz); 该函数读取path ，并返回带有体图像数据的指针，并且图像尺寸写在nx ， ny和nz 。 3D SIFT特征提取。 头文件： Include/cSIFT3D.h 对象创建函数： CPUSIFT::CSIFT3DFactory::CreateCSIFT3D(volData, nx, ny, nz) 这是一个属于命名空间CPUSIFT的工厂函数，它创建一个3D SIFT对象，其数据volData ，尺寸为nx ， ny和nz作为输入。 同样，可以指示3D SIFT的参数，这些参数被设置为默认值，如该函数的声明所示。 创建的3D SIFT对象应删除。 提取类函数：
SIFT3D（3D尺度不变特征变换）算法
qwj的博客
07-20 2785
SIFT3D（3D尺度不变特征变换）算法
pcl里面的3D特征
海贼王
04-08 1万+
我这里不介绍pcl里面的类的命名规范，及点的类型。为什么呢?pcl里面类的命名规范，比较繁琐，而且主要是针对要对pcl这个库要开源的人士，而pcl里面的点的类型太多，足够满足你的要求。所以我们要走一条具有中国特色的pcl主义道路。 今天来介绍一下pcl里面的3D特征。 点是用来给一个给定区域来用笛卡尔坐标系x,y,z来进行描绘的一种方式。假定坐标系统的坐标原点没有变，可能会有两个点比如p1和p
PCL:实现3D-SIFT关键点检测Z方向梯度约束（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
09-24 130
PCL:实现3D-SIFT关键点检测Z方向梯度约束（附完整源码）
特征点检测-SIFT
qq_29462849的博客
01-08 920
点击上方“3DCVer”，选择“星标”干货第一时间送达本文由知乎作者lowkeyway授权转载，不得擅自二次转载。原文链接：https://zhuanlan.zhihu.com/p/901...
PCL中SIFT关键点检测源码
05-23
PCL（Point Cloud Library）中提供了SIFT算法的实现，可以用于点云数据的关键点检测。以下是使用PCL进行SIFT关键点检测的源代码示例： ```cpp #include <pcl/features/normal_3d.h> #include <pcl/features/fpfh.h> #include <pcl/features/pfh.h> #include <pcl/features/shot.h> #include <pcl/features/3dsc.h> #include <pcl/keypoints/sift_keypoint.h> #include <pcl/io/pcd_io.h> #include <iostream> int main(int argc, char** argv) { if (argc != 2) { std::cerr << "Please provide a single argument with the path to the input PCD file." << std::endl; return -1; } pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile(argv[1], *cloud) == -1) { std::cerr << "Failed to read input PCD file." << std::endl; return -1; } pcl::PointCloud<pcl::PointWithScale>::Ptr sift_keypoints(new pcl::PointCloud<pcl::PointWithScale>); pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift; sift.setInputCloud(cloud); sift.compute(*sift_keypoints); pcl::PointCloud<pcl::PointXYZRGB>::Ptr keypoints_rgb(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*sift_keypoints, *keypoints_rgb); for (size_t i = 0; i < keypoints_rgb->size(); ++i) { pcl::PointXYZRGB& p = keypoints_rgb->at(i); p.r = 255; p.g = 0; p.b = 0; } pcl::visualization::PCLVisualizer viewer("SIFT Keypoints"); viewer.setBackgroundColor(0.0, 0.0, 0.0); pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> rgb(keypoints_rgb); viewer.addPointCloud<pcl::PointXYZRGB>(keypoints_rgb, rgb, "keypoints"); viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "keypoints"); while (!viewer.wasStopped()) { viewer.spinOnce(); } return 0; } ``` 在上述代码中，我们首先加载一个点云数据，然后使用SIFTKeypoint类进行关键点检测，最后将检测到的关键点可视化出来。 需要注意的是，上述代码中使用的是pcl::SIFTKeypoint类，而不是SIFT算法本身的实现。这是因为在PCL中，SIFT算法已经被封装为了一个类，方便用户使用。如果需要了解SIFT算法的具体实现细节，可以参考相关论文或其他代码库的实现。
评论 4
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

点云侠

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