Cloudcompare 点到平面的距离以及点到平面的投影点

引言

对比两组点云的相似度，一般都是使用距离来量化重合度-重合度越高越相似。
最简单直接的方法 (左图)：求一组点云上的点到另一组点云上最近点的距离，但是由于部分点云的缺失，可能有很大误差。兼顾误差和效率的方法 (中间图)，并且对噪声鲁棒：求点到平面的距离¹。
本文重点介绍Cloudcompare-2.11.3中以下两点：

• 计算点到平面的距离(平面-由参考点云上的部分点拟合求得)
• 求得点到平面的投影点坐标

一、软件操作

选中两个点云 -> Tools -> Distances -> Cloud/Cloud Dist：

设置局部建模为平面，并且选上split X,Y and Z components便于求投影点坐标：

然后点计算 -> OK 即可：

最后保存为txt 选中点云 -> File -> Save：

建议选中 columns title, 要不然真不知道txt文档每一列是什么意思

二、源码解读

2.1 准备工作

忽略许多if等语句
直入正题 CCLib::DistanceComputationTools::computeCloud2CloudDistance
里面调用八叉树加速搜索计算comparedOctree->executeFunctionForAllCellsAtLevel ，需要选择距离计算方式：

params.localModel == NO_MODEL ? computeCellHausdorffDistance : computeCellHausdorffDistanceWithLocalModel,

大致过程：将点云分为若干个Cell (块)，每分好一个Cell就调用计算距离的函数，并创建新的Cell

// 略................... 这里以单线程为例
//for each point
for (; p != m_thePointsAndTheirCellCodes.end(); ++p){
	//check if it belongs to the current cell
	CellCode nextCode = (p->theCode >> bitDec);
	if (nextCode != cell.truncatedCode){
		//if not, we call the user function on the previous cell
		result = (*func)(cell, additionalParameters, &nprogress);
		if (!result)
			break;

		//and we start a new cell
		cell.index += cell.points->size();
		cell.points->clear();
		cell.truncatedCode = nextCode;
	}
	cell.points->addPointIndex(p->theIndex); 
}
//don't forget last cell!
if (result)
	result = (*func)(cell, additionalParameters, &nprogress);
// 略...................

*func计算距离的函数，点到平面的距离函数为computeCellHausdorffDistanceWithLocalModel，

2.2 计算距离

computeCellHausdorffDistanceWithLocalModel中会计算Cell中每个点云到参考点云的距离
主要包含三个部分：初始化、局部建模 (local model)、距离计算。
需要注意：每个点云对应参考点云的一个local model，但是local model可对应多个点云 (避免重复计算)。
重点关注距离计算：

• 没有local model就退化成了最近点距离
• 有local model计算点到平面的距离 distToModel
• 如果点到参考点上最近点的距离 distToNearestPoint 小于 distToModel，那么就用distToNearestPoint (稳健)

//if we have a local model
if (lm)
{
	CCVector3 nearestModelPoint;
	ScalarType distToModel = lm->computeDistanceFromModelToPoint(&nNSS.queryPoint, computeSplitDistances ? &nearestModelPoint : nullptr);

	//we take the best estimation between the nearest neighbor and the model!
	//this way we only reduce any potential noise (that would be due to sampling)
	//instead of 'adding' noise if the model is badly shaped
	if (distToNearestPoint <= distToModel)
	{
		distPt = distToNearestPoint;
	}
	else
// 略.......................

具体计算点到平面的距离，就是这个公式了²:点到平面距离：

ScalarType DistanceComputationTools::computePoint2PlaneDistance(const CCVector3* P,
																const PointCoordinateType* planeEquation)
{
	//point to plane distance: d = (a0*x+a1*y+a2*z - a3) / sqrt(a0^2+a1^2+a2^2)
	assert(std::abs(CCVector3::vnorm(planeEquation) - PC_ONE) <= std::numeric_limits<PointCoordinateType>::epsilon());

	return static_cast<ScalarType>((CCVector3::vdot(P->u, planeEquation) - planeEquation[3])/*/CCVector3::vnorm(planeEquation)*/); //norm == 1.0!
}

2.3 投影点坐标

2.2末尾提到了computePoint2PlaneDistance，知道距离dist (可能是负的) 以后就可以求投影点坐标：

ScalarType computeDistanceFromModelToPoint(const CCVector3* P, CCVector3* nearestPoint = nullptr) const override{
	ScalarType dist = DistanceComputationTools::computePoint2PlaneDistance(P, m_eq);
	if (nearestPoint){       // dist在三个轴平面上的投影长度
		*nearestPoint = *P - dist * CCVector3(m_eq);
	}
	return std::abs(dist);
}

点到投影点的向量和平面的法向量是平行的，可以手推公式。或者简单点画个图就明白了：核心就是求dist在三个坐标轴平面的投影 $dist\cdot CCVector3(m_{e}q)$，注意平面法向量(m_eq前三个数)已经是归一化后的

• 源码并没有保存投影点的坐标 nearestPoint，而是变成了相对点坐标的三个分量 X, Y, Z的距离。所以选择split X,Y and Z components之后，求投影点坐标还需要逆操作：
  $nearestPoint=nNSS.queryPoint-(X,Y,Z)$

if (computeSplitDistances){
	unsigned index = cell.points->getPointGlobalIndex(i);
	if (params->splitDistances[0])
		params->splitDistances[0]->setValue(index, static_cast<ScalarType>(nNSS.queryPoint.x - nearestPoint.x));
	if (params->splitDistances[1])
		params->splitDistances[1]->setValue(index, static_cast<ScalarType>(nNSS.queryPoint.y - nearestPoint.y));
	if (params->splitDistances[2])
		params->splitDistances[2]->setValue(index, static_cast<ScalarType>(nNSS.queryPoint.z - nearestPoint.z));
}

---

1. cloudcompare - Distances_Computation官方说明 ↩︎

2. 点到平面距离 ↩︎