PCL从理解到应用【10】 三维点云 | 表面重建 | 泊松Poisson

最新推荐文章于 2025-03-03 15:08:48 发布
最新推荐文章于 2025-03-03 15:08:48 发布
阅读量4.5k 收藏 44
点赞数 20
文章标签： PCL从理解到应用 三维点云 表面重建 Poisson 泊松
© 本文为博主原创文章，未经博主允许不得转载；请联系博主@一颗小树（国溥）
本文链接：https://blog.csdn.net/qq_41204464/article/details/140999805
版权

前言

在PCL中，用于处理点云表面的主要方法包括：泊松表面重建、贪心投影三角化、Alpha Shapes等。

本文介绍泊松表面重建，包括原理分析，思路流程，两个实践应用和代码。

使用泊松算法，对三维点云表面重建，可视化效果：

随机生成一个圆柱体的点云，并使用泊松表面重建算法，可视化效果。

1、泊松表面重建

泊松表面重建，也称为Poisson Surface Reconstruction，是一种从点云数据生成三维表面模型的方法。

  • 点云是三维空间中的一组离散点，这些点没有连接信息，因此需要重建一个连续的表面。
  • 泊松表面重建方法基于泊松方程，通过对点云中的法线进行全局最优化来生成表面。
  • 它将表面重建问题转化为求解泊松方程的过程，结果是一个光滑的表面。

适用场景：

适用于有噪声和不规则分布的点云数据，特别是那些需要生成平滑表面的应用。

示例步骤：

  1. 估计点云中的法线。
  2. 构建八叉树（Octree）以分割空间。
  3. 使用泊松方程求解生成表面。

2、泊松表面重建思路流程

 泊松表面重建的算法思路，如下所示：

2.1 数据准备

  • 输入：一个点云数据集。
  • 预处理：滤波，去除噪声和离群点。下采样，如果点云密度过高，可以进行下采样以减少计算量。

2.2 法向估计

  • 目的：估计每个点的法向量，法向量是与点所在表面垂直的向量。
  • 方法：可以使用PCA（主成分分析）或其他局部几何方法来估计法向量。

2.3 场函数构造

  • 定义：构造一个三维标量场函数Φ，使得在点云的每个点处，该函数的梯度近似于法向量。
  • 泊松方程：ΔΦ=∇⋅N，其中Δ是拉普拉斯算子，∇⋅N是法向量场的散度。

2.4 求解泊松方程

  • 方法：将泊松方程离散化，并通过数值方法（如多重网格方法）求解。
  • 结果：一个三维标量场函数Φ\PhiΦ。

2.5 等值面提取

  • 定义：等值面是标量场中所有具有相同值的点的集合。
  • 提取方法：使用Marching Cubes算法从标量场Φ中提取等值面，生成多边形网格。

2.6 表面平滑与后处理

  • 目的：去除噪声并改善表面质量。
  • 方法：对生成的表面进行平滑处理、孔洞填补和细节增强等。

泊松表面重建的优势：处理噪声数据的能力强、生成的表面平滑且闭合。

缺点：计算复杂度较高、对法向估计的依赖性较强。

3、泊松表面重建——实践应用1

随机生成离散点云，并使用泊松表面重建方法处理点云数据并进行可视化。

  • 生成随机点云数据：生成一个包含随机点的点云。
  • 估计法线：计算每个点的法线信息。
  • 泊松表面重建：使用泊松表面重建算法生成三维表面。
  • 可视化：使用PCL的可视化工具展示结果。

示例效果：

示例代码：

#include <pcl/io/ply_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/normal_3d.h>
#include <pcl/surface/poisson.h>
#include <pcl/filters/filter.h>
#include <random>
#include <thread>
#include <chrono>

int main() {
    // 创建点云对象并生成随机点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);

    // 使用随机数生成器生成点云数据
    std::random_device rd;
    std::mt19937 gen(rd());
    std::uniform_real_distribution<> dis(-1.0, 1.0);

    for (auto& point : cloud->points) {
        point.x = dis(gen);
        point.y = dis(gen);
        point.z = dis(gen);
    }

    // 估计法线
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);
    ne.setInputCloud(cloud);
    ne.setSearchMethod(tree);
    ne.setKSearch(20);
    ne.compute(*normals);

    // 将点云和法线合并
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
    pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);

    // 泊松表面重建
    pcl::Poisson<pcl::PointNormal> poisson;
    pcl::PolygonMesh mesh;
    poisson.setDepth(8);  // 设置八叉树的深度
    poisson.setSolverDivide(8);  // 设置泊松方程求解的分区数
    poisson.setIsoDivide(8);  // 设置等值面提取的分区数
    poisson.setPointWeight(4.0f);  // 设置每个点对解的影响权重
    poisson.setInputCloud(cloud_with_normals);
    poisson.reconstruct(mesh);

    // 可视化
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);
    viewer->addPolygonMesh(mesh, "mesh");
    viewer->addCoordinateSystem(1.0);
    viewer->initCameraParameters();

    while (!viewer->wasStopped()) {
        viewer->spinOnce(100);
        std::this_thread::sleep_for(std::chrono::milliseconds(100));
    }

    return 0;
}

代码说明：

  • 生成随机点云数据：使用C++标准库中的随机数生成器生成1000个随机点，每个点的坐标在[-1, 1]范围内。

  • 估计法线：使用 NormalEstimation 类计算每个点的法线。

  • 合并点云和法线：将点云和法线信息合并成一个包含法线信息的点云。

  • 泊松表面重建：使用 Poisson 类进行三角化。设置参数包括八叉树深度、泊松方程求解分区数、等值面提取分区数和点权重。

  • 可视化：使用 PCLVisualizer 类可视化生成的三角网格。

4、泊松表面重建——实践应用2

生成一个圆柱体的密集点云，并使用泊松表面重建算法，进行表面重建和可视化。

  • 生成圆柱的密集点云数据：生成一个圆柱形的点云。
  • 泊松表面重建：使用Poisson算法进行表面重建。
  • 可视化：使用PCL的可视化工具展示处理结果。

可视化效果：

示例代码：

#include <pcl/io/ply_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/normal_3d.h>
#include <pcl/surface/poisson.h>
#include <random>
#include <thread>
#include <chrono>

// 生成圆柱体点云
void generateCylinderPointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, float radius, float height, int num_points) {
    std::random_device rd;
    std::mt19937 gen(rd());
    std::uniform_real_distribution<> dis_height(0, height);
    std::uniform_real_distribution<> dis_angle(0, 2 * M_PI);

    for (int i = 0; i < num_points; ++i) {
        float h = dis_height(gen);
        float angle = dis_angle(gen);
        pcl::PointXYZ point;
        point.x = radius * cos(angle);
        point.y = radius * sin(angle);
        point.z = h;
        cloud->points.push_back(point);
    }
    cloud->width = cloud->points.size();
    cloud->height = 1;
    cloud->is_dense = true;
}

int main() {
    // 创建点云对象并生成圆柱点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    generateCylinderPointCloud(cloud, 1.0f, 2.0f, 3000); // 半径1.0，高度2.0，点数3000

    // 估计法线
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);
    ne.setInputCloud(cloud);
    ne.setSearchMethod(tree);
    ne.setKSearch(20);
    ne.compute(*normals);

    // 将点云和法线合并
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
    pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);

    // 泊松表面重建
    pcl::Poisson<pcl::PointNormal> poisson;
    pcl::PolygonMesh mesh;
    poisson.setDepth(8);  // 设置八叉树的深度
    poisson.setSolverDivide(8);  // 设置泊松方程求解的分区数
    poisson.setIsoDivide(8);  // 设置等值面提取的分区数
    poisson.setPointWeight(4.0f);  // 设置每个点对解的影响权重
    poisson.setInputCloud(cloud_with_normals);
    poisson.reconstruct(mesh);

    // 保存结果
    pcl::io::savePLYFile("poisson_cylinder_mesh.ply", mesh);

    // 可视化
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);
    viewer->addPolygonMesh(mesh, "mesh");
    viewer->addCoordinateSystem(1.0);
    viewer->initCameraParameters();

    while (!viewer->wasStopped()) {
        viewer->spinOnce(100);
        std::this_thread::sleep_for(std::chrono::milliseconds(100));
    }

    return 0;
}

代码说明：

  • 生成圆柱的点云数据：generateCylinderPointCloud 函数生成一个圆柱形点云，参数包括圆柱的半径、高度和点的数量。

  • 估计法线：使用 NormalEstimation 类计算每个点的法线。

  • 合并点云和法线：将点云和法线信息合并成一个包含法线信息的点云。

  • 泊松表面重建：使用 Poisson 类进行表面重建。设置八叉树深度、泊松方程求解的分区数、等值面提取的分区数和点权重。

  • 保存和可视化：使用 PCLVisualizer 类可视化生成的三角网格，并保存为PLY文件。

分享完成～

PCL泊松曲面重建算法：实现高精度三维模型重建
2301_79331230的博客
08-15 1064
本文将详细介绍PCL库中的泊松曲面重建算法，并给出相应的源代码。泊松曲面重建算法基于离散泊松方程的解析求解方法，通过局部点云数据的采样和重建，得到连续、平滑的三维曲面模型。其核心思想是将点云数据作为边界条件，在其边界上定义一个逼近函数，并在整个点云区域内求解泊松方程，使得逼近函数在边界上与点云数据一致，并且在区域内部达到最小梯度。本文介绍了PCL库中的泊松曲面重建算法，并给出了相应的源代码。本文通过PCL库中的泊松曲面重建算法对采集到的点云数据进行了三维模型重建，并将结果保存为VTK文件。
PCL学习笔记(四)——点云曲面重建
dayuhaitang1的博客
06-05 6426
文章目录一、凸包算法二、 单纯的点云数据固然很好，但仅仅是点的话仍是不够的，因为这不利于我们后续对实体对象的渲染与各种应用，如计算实体的表面积、体积等等，所以这就需要我们对实体进行点云的曲面重建。 一、凸包算法 在计算机图形学中，凸包是指在任意维空间中包含某一有限点集P的最小凸集，它由凸包顶点构成，在二维上其表现形式为一个凸多边形，而在三维上则表现为一个凸多面体。在二维层面上来讲，最常用的凸包算法有Graham扫描法和Jarvis卷包裹法，但前者并不适用于三维层面，后者倒是可以扩展到三维。除此之外，在
C++使用Open3D库进行法线估计（EstimateNormals）和泊松表面重建（PoissonSurfaceReconstruction）
qq_45523399的博客
11-13 875
C++使用Open3D库进行法线估计（EstimateNormals）和泊松表面重建（PoissonSurfaceReconstruction）
VTK知识学习（44）- 表面重建
最新发布
weixin_45114627的博客
03-03 844
通过三维扫描仪所获取的实际物体的空间点云数据仅仅表示物体的几何形状，而无法表达其内部的拓扑结构。拓扑结构对于实际图形处理以及可视化具有更重要的意义。因此这就需要利用表面重建技术将点云数据转换为面模型，通常为三角网格模型。除此之外，基于图像数据的面绘制技术也是一种应用非常广泛的表面重建技术。三角剖分是一种应用非常广泛的面重建技术。三角剖分将一些散乱的点云数据剖分为一系列的三角形网格。最常用的三角剖分技术是Delaunay三角剖分。
PCL Possion泊松表面重建（Surface_Poisson）
xhm01291212的博客
09-13 688
【代码】PCL Possion泊松表面重建（Surface_Poisson）
PCL 泊松表面重建 点云及实现源代码
bug_api163的博客
09-22 585
而泊松表面重建是一种常用的点云重建方法，它可以通过稠密点云数据还原出光滑的曲面模型。本文将介绍PCL（Point Cloud Library）库中的泊松表面重建算法，并提供相应的源代码实现。PCL是一个开源的点云处理库，提供了丰富的点云处理算法和工具。该算法基于泊松方程，通过点云数据的采样和插值，实现了从离散的点云到连续的曲面模型的转换。总结起来，PCL库提供了强大的点云处理能力，其中包括了泊松表面重建算法。当然，根据实际需求，我们还可以调整算法的参数，以获得更好的重建效果。
点云三维重建
01-06
三维点云重建，基于cmake，pcl，已成功调试 可以稳定运行
【双目视觉】PCL函数库摘要——点云曲面重建
smartvxworks的博客
07-24 1703
类MovingLeastSquares实现了基于移动最小二乘算法的点云平滑处理、数据重采样，并且可以计算优化的估计法线，其输入是点云数据，输出为经过用户设定参数对应的处理之后得到的平滑重采样点云。类Poisson是对泊松曲面重建算法的实现,输入是带有法线的点云，输出为重建后的曲面模型数据，泊松曲面重建的实现是基于文献Poisson surface reconstruction。PCL库种surface模块是用来对三维扫描获取的原始。进行曲面重建的，该模块包含实现点云重建的基础算法与数据结构。
PCL学习之点云重建
出门吃三碗饭的博客
05-25 2209
离散点云• 数据量大• 渲染显示大• 模型操作计算不方便网格模型• 数据量小• 渲染方便• 模型操作计算方便。
PCL 点云的3D凸包重建【计算凸包面积、体积、结果可视化】
weixin_43896283的博客
07-11 601
点云的凸包: 指在三维空间中，包围点云中所有点的最小凸多边形或凸多面体。凸包是一个凸集，它是由连结点云中的某些点形成的，使得凸包内的任意两点的连线都在凸包内部。
pcl--第十节 点云曲面重建
进击的菜鸟
09-22 1859
曲面重建技术在逆向工程、数据可视化、机器视觉、虚拟现实、医疗技术等领域中得到了广泛的应用。例如，在汽车、航空等工业领域中，复杂外形产品的设计仍需要根据手工模型，采用逆向工程的手段建立产品的数字化模型，根据测量数据建立人体以及骨骼和器官的计算机模型，在医学、定制生产等方面都有重要意义。除了上述传统的行业，随着新兴的廉价 RGBD 获取设备在数字娱乐行业的病毒式扩展，使得更多人开始使用点云来处理对象并进行工程应用。根据重建曲面和数据点云之间的关系，可将曲面重建分为两大类：插值法和逼近法。
点云数据-三维重建
03-16
包含三款点云数据，有经典的兔子和多边形模型数据，还有鼠标点云数据，格式多样化，适合初学者测试代码使用！喜欢的拿走！
点云曲面重建
03-20
使用matlab实现三维建模源码，效果非常好，可以用于三维点云数据的建模-Three-dimensional modeling using MATLAB
pcl实现的曲面重建（包括泊松，贪婪三角，移动立方体算法）
11-16
基于pcl库，利用qt做界面，渲染可视化三种算法实现的bunny
点云的三维重建
04-26
点云的三维重建
泊松重建_泊松重建_形貌_pcl泊松重构_
10-02
PCL（Point Cloud Library）是一个强大的C++库，它提供了各种处理三维点云数据的工具和算法，包括点云的获取、处理、滤波、分割、配准、形状分析以及像泊松重建这样的表面重建方法。在PCL中，泊松重建的实现是基于...
PCL 三维重建 泊松曲面重建算法
纵马踏花向自由
11-17 657
本文介绍了基于泊松曲面重建算法的三维重建过程。泊松重建是一种利用点云数据生成三维表面的算法，它基于点云的法线估计和泊松方程的求解，能够生成光滑且连续的曲面模型。该方法适用于复杂形状和细节的表面重建。
C++实现3D点云数据的泊松重建
06-04
点云数据处理是计算机图形学和三维几何建模领域中的一个重要课题，泊松重建则是一种在3D点云数据上构建连续、光滑表面的高级技术。C++作为一门广泛应用于科学计算和工程领域的编程语言，提供了强大的库支持来实现...
PCL 泊松重建
dayuhaitang1的博客
02-19 429
PCL 泊松重建
三维泊松表面重建PCL
09-02
三维泊松表面重建是一种常用的点云数据处理方法，可以将离散的点云数据重建成连续的三维表面模型。PCL（Point Cloud Library）是一个开源的点云处理库，提供了许多实用的算法和工具函数，包括三维泊松表面重建算法。 在PCL中使用三维泊松表面重建算法，你可以按照以下步骤进行操作： 1. 使用PCL加载点云数据：首先，你需要使用PCL库中的函数将点云数据加载到程序中。可以使用`pcl::io::loadPCDFile()`函数加载`.pcd`格式的点云文件，或者使用其他合适的函数加载其他格式的点云数据。 2. 对点云进行预处理：在进行泊松表面重建之前，有时需要对点云进行预处理，例如去除离群点、滤波等。PCL提供了许多预处理的方法，可以根据具体情况选择合适的方法进行处理。 3. 执行三维泊松表面重建：使用`pcl::Poisson`类可以进行三维泊松表面重建。你需要创建一个`pcl::Poisson`对象，并将预处理后的点云数据传递给它。然后，调用`performReconstruction()`函数执行重建过程。 4. 获取重建的三维模型：重建完成后，你可以使用`pcl::PolygonMesh`对象来获取重建的三维模型。可以使用`pcl::toPCLPointCloud2()`函数将重建的模型转换为点云格式，或者直接保存为`.ply`等格式的文件。 需要注意的是，三维泊松表面重建是一个计算密集型的算法，对于大规模的点云数据可能需要较长的运行时间。此外，泊松表面重建的结果可能受到输入点云的质量和密度等因素的影响，需要根据具体情况进行调整和优化。 希望以上信息对你有帮助！如果你还有其他问题，请随时提问。
评论
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

一颗小树x

您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