点云降采样（DownSampling）

MSTIFIY

已于 2022-07-26 09:38:11 修改

阅读量1.3w

点赞数 13

分类专栏：点云处理文章标签：点云处理降采样 pcl

于 2022-07-26 09:34:08 首次发布

本文链接：https://blog.csdn.net/qq_39784672/article/details/125987962

版权

点云处理专栏收录该内容

4 篇文章 5 订阅

订阅专栏

点云降采样

1 概述

三维点云往往包含大量冗余数据，直接处理计算量大，消耗时间长，因此对其进行降采样是十分必要的。降采样同时也是点云预处理过程中的关键环节。

2 常用方法

2.1 体素网格下采样

2.1.1 原理

体素（Voxel）：将三维空间划分成一个个立体的方格，每个方格就叫一个体素。

在每个体素中可能存在几个点，也可能没有点。降采样的思路为：检查每个体素中是否有点存在，若有，则用一个点代替体素内的点集，通常，这个采样点可以是体素中所有点坐标的平均值（质心），也可以是中心点或者离中心点最近的点。

2.1.2 流程

计算点云的包围盒，将包围盒离散成小体素。体素的长宽高尺寸可以通过用户设定，也可以指定三个方向上的体素个数；
获取落在每个体素中的点集，在每个体素中取一个采样点代替原来的点集。

2.1.3 特点

效率高
采样点分布比较均匀
可以通过控制体素大小间接控制采样点的距离（采样后点云的稀疏程度）
采集到的点云数量不可控

2.2 均匀下采样

2.2.1 原理

均匀下采样有多种不同的采样方式。

类似体素网格采样，同样需要将点云空间划分，不同的是，在均匀采样中是以半径为r的球体。选取距离球体中心最近的点作为采样点替代落在球体中的点集，此时，采样点的坐标为源点云中一点的坐标，不同于体素下采样中使用质心进行替代而产生新的点坐标。可以修改球体半径r，实现对采样点云稀疏程度的控制。

常用三维点云采样方法总结 - 知乎 (zhihu.com)

均匀采样是指每隔固定的点数采样一次。样本按点的顺序执行，始终选择从第 1 个点开始，而不是随机选择。显然点存储的顺序不同，得到的结果也会不一样。从这个角度来看，这种方法比较适合有序点云的降采样。这种方法适合均匀采集到的点云，如果点云本身不均匀，那么以固定点数采样很有可能造成某一部分的点云没被采样到。相比于体素的采样方法，点云均匀采样后的点数是固定可控的，而体素采样后的点云数量是不可控的。

三种点云下采样方法（二）— open3d python_Coding的叶子的博客-CSDN博客_点云下采样

最远点采样是较为简单的一种，首先需要选取一个种子点，并设置一个内点集合，每次从点云中不属于内点的集合找出一点距离内点最远的点，如下图，这里的距离计算方式为该点至内点所有点的最小距离。这种方式的下采样点云分布均匀，但是算法复杂度较高效率低。

Python点云数据处理(四)点云下采样 - 知乎 (zhihu.com)

2.2.2 特点

分布很均匀
不会移动源点云，准确度较高
时间复杂度偏高。可以采用分治的方法提高效率

2.3 几何采样(曲率下采样)

2.3.1 原理

以点云的几何特征作为采样依据，以曲率为例。在点云中任意一点都存在某曲面，曲率示意图如下所示(密切圆半径r的倒数为曲率)，曲率越大，弧的弯曲程度越大，表示该地方的特征点越多，故在点云曲率越大的地方，采样点数越多。

曲率计算图的图像结果

2.3.2 流程

1)首先计算每个点的K领域，然后计算点到领域点的法线夹角值，以此来近似达到曲率的效果并提高计算效率，因为曲率越大的地方，夹角值越大。

2)设置一个角度阈值，当点的领域夹角值大于阈值时被认为是特征明显的区域，其余区域为不明显区域。

3)对明显和不明显区域进行均匀采样，采样数分别为 $U (1 - V)$ 和$UV $, $ U$是目标采样数，V是均匀采样性。

2.3.3特点

几何特征越明显的区域，采样个数分布越多（曲率越大，采样点数越多）
效率高
采样点局部均匀分布
稳定性高：通过几何特征区域的划分，使得采样结果抗噪性更强

2.4 随机下采样

原理简单，顾名思义，指定采样点个数，进行随机点去除进行采样操作。

2.4.1 特点

能控制采样点个数
随机性太强

3 PCL 下采样实践

3.1 体素网格下采样

在PCL库中，我们可以使用pcl::VoxelGrid<pcl::PointXYZ>将空间点云体素化，得到对应的体素网格，再进行体素下采样。

关键代码：

pcl::VoxelGrid<pcl::PointXYZ> sor;		// 体素化网格
sor.setInputCloud(cloud);							
sor.setLeafSize(0.01f, 0.01f, 0.01f);   // 设置体素栅格的大小为 1x1x1cm
sor.filter(*cloud_filtered);

测试代码如下：

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/visualization/pcl_visualizer.h>

int main(int argc, char** argv)
{
    //pcl::PCLPointCloud2::Ptr cloud(new pcl::PCLPointCloud2());
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    //pcl::PCLPointCloud2::Ptr cloud_filtered(new pcl::PCLPointCloud2());
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    // Fill in the cloud data
    pcl::PCDReader reader;
    // Replace the path below with the path where you saved your file
    reader.read("table_scene_lms400.pcd", *cloud); // Remember to download the file first!

    std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height
        << " data points (" << pcl::getFieldsList(*cloud) << ").";

    // Create the filtering object
    pcl::VoxelGrid<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setLeafSize(0.01f, 0.01f, 0.01f);
    sor.filter(*cloud_filtered);

    std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height
        << " data points (" << pcl::getFieldsList(*cloud_filtered) << ").";

    //pcl::PCDWriter writer;
    //writer.write("table_scene_lms400_downsampled.pcd", *cloud_filtered,
        //Eigen::Vector4f::Zero(), Eigen::Quaternionf::Identity(), false);

    pcl::visualization::PCLVisualizer viewer("demo");
    int v1(0);
    int v2(1);
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1); 
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);
    // The color we will be using
    float bckgr_gray_level = 0.0;  // Black
    float txt_gray_lvl = 1.0 - bckgr_gray_level;

    // Original point cloud is white
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_in_color_h(cloud, (int)255 * txt_gray_lvl, (int)255 * txt_gray_lvl, (int)255 * txt_gray_lvl);
    viewer.addPointCloud(cloud, cloud_in_color_h, "cloud_in_v1", v1);       //viewer.addPointCloud(cloud_in, cloud_in_color_h, "cloud_in_v2", v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out_green(cloud_filtered, 20, 180, 20);
    viewer.addPointCloud(cloud_filtered, cloud_out_green, "cloud_out", v2); 
    viewer.setBackgroundColor(bckgr_gray_level, bckgr_gray_level, bckgr_gray_level, v2);     
    viewer.setSize(1280, 1024);  // Visualiser window size
    //viewer.showCloud(cloud_out);
    while (!viewer.wasStopped())
    {
        viewer.spinOnce();
    }

    return (0);
}

将官方源码中的pcl::PCLPointCloud2::Ptr替换成pcl::PointCloud<pcl::PointXYZ>::Ptr，更加方便点云的图形显示。

测试结果如下：

setLeafSize(0.01f, 0.01f, 0.01f)

[460400-->41049]

setLeafSize(0.1f, 0.1f, 0.1f)

[460400-->629]

3.2 均匀下采样

对点云数据创建一个三维体素栅格，然后取每个体素中最接近体素中心的点，代替体素中所有点。

关键代码：

// Uniform sampling object
pcl::UniformSampling<pcl::PointXYZ> filter;		// 创建均匀采样对象
filter.setInputCloud(cloud);					// 设置待采样点云
filter.setRadiusSearch(0.01f);					// 设置采样半径
filter.filter(*cloud_filtered);					// 执行均匀采样，结果保存在cloud_filtered中

测试结果：

参考

[1] https://blog.csdn.net/suiyingy/article/details/124368059
[2] https://zhuanlan.zhihu.com/p/353761080
[3] https://blog.csdn.net/yanfeng1022/article/details/109322887
[4] https://blog.csdn.net/u013351270/article/details/68945056