(一) 三维点云课程---Voxel Grid Downsamping

三维点云课程—Voxel Grid Downsamping

1.选取点的方案

1.质心法：计算所有满足条件点的平均值，速度慢，但相对准确
2.随机法：从满足条件的点中随机选择一个点，速度块，但误差大

2.步骤

1.计算三维点集$p_1,p_2,...,p_N$的最小和最大值
$$x_{\max }=\max \left(x_1,x_2,\cdots ,x_N\right),x_{\min }=\min \left(x_1,x_2,\cdots ,x_N\right),y_{\max }=\cdots \cdots$$
2.设置一个voxel grid的大小r

3.计算x，y，z关于voxel grid的维数
$$\begin{array}{rl}{D}_x& =\left(x_{\max }-x_{\min }\right)/r\\ D_y& =\left(y_{\max }-y_{\min }\right)/r\\ D_z& =\left(z_{\max }-z_{\min }\right)/r\end{array}$$
4.计算每个点关于voxel的索引
$$\begin{array}{rl}{h}_x& =\lfloor \left(x-x_{\min }\right)/r\rfloor \\ h_y& =\lfloor \left(y-y_{\min }\right)/r\rfloor \\ h_z& =\lfloor \left(z-z_{\min }\right)/r\rfloor \\ h& =h_x+h_y\ast D_x+h_z\ast D_x\ast D_y\end{array}$$
其中$\lfloor \rfloor$符号表示取整的意思

5.对第四步得到的h的索引进行排序，编程中注意：原始三维坐标点也要跟着一起变化

6.选择一种选取点的方案（质心法还是随机法），进行筛选。

例如排序后h的索引为
$$0，0，0，0，3，3，3，8，8，8，8，8，8，....$$
那么质心法就是在所有0的索引所对应的原始点云中进行求均值，随机法就是在所有0的索引中随机选择一个索引，再通过这个索引得到原始点云的数据。对于3或者8也是这样。可能表述的并不是很清楚，具体参见代码,代码中有详细的解释

3.Voxel Grid Downsamping 代码

# 实现voxel滤波，并加载数据集中的文件进行验证

import open3d as o3d 
import os
import numpy as np
from pyntcloud import PyntCloud

# 采用均值法获取所有相关的索引
def get_all_index(lst,item):
    return [i for i in range(len(lst)) if lst[i]==item]

## 采用随机法获取其中的一个索引
def get_one_index(lst,item):
    for i in range(len(lst)):
        if lst[i]==item:
            return i

# 功能：对点云进行voxel滤波
# 输入：point_cloud：输入点云
#       leaf_size: voxel尺寸
# 输出：filtered_points：滤波后的点云
def voxel_filter(point_cloud, leaf_size,method="centroid"):
    filtered_points = []
    filtered_idx=[]

    minPC=np.min(point_cloud)
    maxPC=np.max(point_cloud)
    Dx=(maxPC[0]-minPC[0])/leaf_size
    Dy=(maxPC[1]-minPC[1])/leaf_size
    #Dz=(maxPC[2]-minPC(2))/leaf_size

    N=point_cloud.shape[0]
    for i in range(N):
        hx=(np.asarray(point_cloud)[i][0] -  minPC[0] )//leaf_size
        hy=(np.asarray(point_cloud)[i][1] -  minPC[1] ) //leaf_size
        hz=(np.asarray(point_cloud)[i][2] -  minPC[2] )//leaf_size
        idx=hx+hy*Dx+hz*Dx*Dy
        filtered_idx.append(idx)

    #argsort函数返回的是数组值从小到大的索引值,加上[::-1]表示从大到小
    sort_idx=np.array(filtered_idx).argsort()[::-1]

    #filtered_idx_ok里面由相等的数,且按照从大到小的顺序进行
    filtered_idx_ok=np.array(filtered_idx)[sort_idx]

    #point_cloud_ok是将原始点云数据point_cloud按照sort_idx进行排列
    point_cloud_ok=np.asarray(point_cloud)[sort_idx]

    #set()函数产生一个无序不重复元素集，给下面的for循环使用
    idx_set=set(filtered_idx_ok)

    if method=="centroid":
        print("method is centroid")
        for i in idx_set:
            all_idx=get_all_index(filtered_idx_ok,i)
            #axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
            xm=np.mean(np.asarray(point_cloud_ok)[all_idx],axis=0)
            filtered_points.append(xm)
    elif method=="random":
        print("method is random")
        for i in idx_set:
            one_idx=get_one_index(filtered_idx_ok,i)
            xm=np.asarray(point_cloud_ok)[one_idx]
            filtered_points.append(xm)

    # 把点云格式改成array，并对外返回
    filtered_points = np.array(filtered_points, dtype=np.float64)
    return filtered_points

def main():
    # 加载自己的点云文件
    file_name = r"D:\ply_data\airplane\train\airplane_0001.ply"
    point_cloud_pynt = PyntCloud.from_file(file_name)

    #显示原图
    point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=False)
    o3d.visualization.draw_geometries([point_cloud_o3d]) # 显示原始点云

    # 调用voxel滤波函数，实现滤波
    filtered_cloud = voxel_filter(point_cloud_pynt.points, 10,method="random")
    point_cloud_o3d.points = o3d.utility.Vector3dVector(filtered_cloud)
    # 显示滤波后的点云
    o3d.visualization.draw_geometries([point_cloud_o3d])

if __name__ == '__main__':
    main()

由于数据集比较大，需要的话请加我QQ：2822902808，备注：点云数据集

4.仿真结果

原图：

滤波后