CloudCompare——计算点云的法向量【2025最新版】

点云侠

已于 2025-01-11 08:51:51 修改

阅读量2.1w

点赞数 29

分类专栏： CloudCompare 文章标签： c++ 开发语言算法计算机视觉 3d 最小二乘法

于 2021-12-05 09:01:24 首次发布

本文链接：https://blog.csdn.net/qq_36686437/article/details/121717949

版权

CloudCompare 专栏收录该内容

96 篇文章

订阅专栏

本文由CSDN点云侠原创，首发于：2022年8月25日。博客长期更新，本文最新更新时间为：2025年1月11日。对最新论文阅读进行整理，添加法向量实现原理。

1.实现原理

内容来自：论文截图。计算法向量的方法有几十种，这只是最常用的一种。
在这里插入图片描述

2.Computing normals on a cloud

通过菜单栏的'Edit > Normals > Compute'找到该功能。
在这里插入图片描述
设置相关参数：

如果进行计算的实体对象是点云，那么需要设置以下几个参数:

local surface model:选择使用最小二乘拟合平面、二次曲面拟合或三角网。
Neighbors->Octree->radius:局部球体邻域的半径。如果设置的太小(即没有足够的点来计算局部模型)，那么法线值将默认为(0,0,1)。如果设置的太大，计算的过程可能会很长，结果会很平滑。
Orientation：让用户指定一个简单的启发式来设置法线方向(最好是在表面之外)。
Orientation->Use preferred orientation ：使用如下方式设置点云法线的朝向（+Z与Z轴正方向同向）
Orientation->Use minimum Spanning Tree ：使用最小代价生成树调整点云法线的朝向

注意:

如果没有指定首选方向，或者结果仍然不一致，可能需要使用更高级的算法——‘Normals > Orient Normals > With Minimum Spanning Tree’，来确定法线的方向。
在任何情况下，都可能需要使用invert方法对法线字段进行全局反转。

3.点云法线计算结果

法线实体的外观变化取决于光线相对于法线的方向:

对于点云来说，法线向后的点呈现黑色。

保存成txt格式，打开则可以看到在原来XYZ坐标后边多了法向量的值。

保存成pcd格式，使用PCL进行法向量可视化。

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

using namespace std;

int
main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud(new pcl::PointCloud<pcl::PointNormal>);

    if (pcl::io::loadPCDFile<pcl::PointNormal>("bunny.pcd", *cloud) == -1)
    {
        PCL_ERROR("Could not read file\n");
    }
    //---------------------可视化（含法线）-----------------------------
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("CloudCompare-XYZNormal viewer"));
    viewer->setWindowName("CloudCompare-XYZNormal");
    viewer->addText("CloudCompare-PointNormal", 50, 50, 0, 1, 0, "v1_text");
    viewer->addPointCloud<pcl::PointNormal>(cloud, "CloudCompare-XYZNormal");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "CloudCompare-XYZNormal");
    viewer->addPointCloudNormals<pcl::PointNormal>(cloud, 20, 0.02, "normals");

    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

在这里插入图片描述

4.反转法线方向(Normals > Invert)

该工具用来反转所选实体的法线。可以通过Edit > Normals > Invert菜单访问。
法线实体的外观变化取决于光线相对于法线的方向:

对于点云来说，法线向后的点呈现黑色。
对于一个网格(使用默认材质)，后向发光的三角形出现在浅蓝色(而前向发光的三角形是绿色)

反转点云的法线方向
在这里插入图片描述
使用PCL可视化

5. With Minimum Spanning Tree

这个工具可以通过'Edit > Normals > Orient normals > with Minimum Spanning Tree'菜单访问。
这种方法试图以一致的方式重新定位云的所有法线。它从一个随机的点开始，然后从一个邻居传播到另一个。传播是在最小生成树的帮助下完成的。因此，用户必须指定每个节点上连接的邻居的最大数量(邻居越多，就越准确，但也需要更多的内存和更多的时间)。
使用最小代价生成树调整的结果
在这里插入图片描述

6.With Fast Marching

这个工具可以通过Edit > Normals > Orient normals > with Fast Marching菜单访问。这种方法试图以一致的方式重新定位云的所有法线。它从一个随机的点开始，然后从一个邻居传播到另一个。传播是通过应用于网格的Fast Marching算法完成的。实际上，这个网格是点云的八叉树，被认为是一个给定的细分级别。因此，用户必须指定此细分级别。问题是找到正确的水平:如果体素分辨率太大(即低水平的细分)，传播不是很准确。然而，如果体素分辨率太小(即高水平的细分)，可能出现空体素，传播在一次扫描中完成是不可能。
注意：这种方法很快，效率极高。但是不推荐用。