使用体素化网格方法实现降采样,即减少点的数量,减少点云数据,并同时保持点云的形状特征,在提高配准、曲面重建、形状识别等算法速度中非常实用。
PCL实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合),然后在每个体素(即,三维立方体)内,用体素中所有点的重心来近似显示体素中其他点,这样该体素就内所有点就用一个重心点最终表示,对于所有体素处理后得到过滤后的点云。这种方法比用体素中心来逼近的方法更慢,但它对于采样点对应曲面的表示更为准确。
所以这种方法可以用于对大数据量的降采样处理,尤其是在配准、曲面重建等工作之前通过这种方式对数据进行预处理,可以提高程序的运行速度。
下载测试数据文件 table_scene_lms400.pcd 并保存下来,放到同一文件夹下
完整的源码src/voxel_grid_filter.cpp文件如下:
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/console/parse.h>
#include <pcl/visualization/cloud_viewer.h>
int main(int argc, char** argv)
{
std::vector<int> filenames;
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".pcd");
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);
// 装载点云数据
pcl::io::loadPCDFile(argv[filenames[0]], *cloud);
// 创建滤波器对象
pcl::VoxelGrid<pcl::PointXYZI> sor;//滤波器处理对象
sor.setInputCloud(cloud);//设置输入点云
sor.setLeafSize(0.01f, 0.01f, 0.01f);//设置滤波器处理时采用的体素大小的参数,体素大小是长宽高均为0.01
sor.filter(*cloud_filtered);//执行下采样,下采样之后的点云数据保存到 cloud_filtered 中
std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height
<< " data points (" << pcl::getFieldsList(*cloud_filtered) << ").";
//保存转换的输入点云
pcl::io::savePCDFileASCII("output_downsampled.pcd", *cloud_filtered);
pcl::visualization::CloudViewer viewer("Cloud Viewer");
viewer.showCloud(cloud_filtered);//showCloud函数是同步的,会在此处等待直到渲染显示为止
while (!viewer.wasStopped())
{
//在此处添加其他处理
}
return (0);
}
CMakeLists.txt 文件如下:
cmake_minimum_required(VERSION 2.8 FATAL_ERROR)
project(pcl-voxel_grid_filter)
find_package(PCL 1.2 REQUIRED)
include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})
add_executable (voxel_grid_filter src/voxel_grid_filter.cpp)
target_link_libraries (voxel_grid_filter ${PCL_LIBRARIES})
然后在文件夹下新建build文件夹,并编译然后运行
mkdir build
cd build/
cmake ..
make #编译
cd ..
build/voxel_grid_filter table_scene_lms400.pcd
运行之后可以得到如下效果:
可以看到过滤前后的数据量大大减少,处理前点云数为460400,而处理后为41049。从可视化结果,明显也能看出,点的密度大小与整齐程度不同,虽然处理后数据量大大减少,但很明显其所含有的形状特征与空间结构信息与原始点云差不多。
然后,在当前目录下,会把降采样的结果保存到 output_downsampled.pcd 中。
通过 pcl_viewer output_downsampled.pcd
可以查看
参考链接:
[1] Downsampling a PointCloud using a VoxelGrid filter — http://www.pointclouds.org/documentation/tutorials/voxel_grid.php#voxelgrid
[2] 使用VoxelGrid滤波器对点云进行下采样 http://www.pclcn.org/study/shownews.php?lang=cn&id=67