PCL MLS上采样(基于法向量）

最新推荐文章于 2024-10-02 22:45:05 发布
最新推荐文章于 2024-10-02 22:45:05 发布
阅读量316 收藏 9
点赞数 1
分类专栏： PCL点云算法与实战案例 文章标签： 算法 人工智能 3d 计算机视觉 c++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47947920/article/details/142628007
版权

目录

一、概述

1.1原理

1.2实现步骤

1.3应用场景

二、代码实现

2.1关键函数

2.1.1 可视化原始点云和上采样后的点云

2.1.2 MLS 上采样

2.2完整代码

三、实现效果

PCL点云算法汇总及实战案例汇总的目录地址链接：

PCL点云算法与项目实战案例汇总（长期更新）

一、概述

        MLS（Moving Least Squares）上采样 是一种用于平滑化和重建点云表面的技术。通过在点云中计算局部的加权平均，MLS 可以生成光滑的表面，并填补点云中的孔洞。此方法特别适合处理稀疏或有噪声的点云数据。

1.1原理

        MLS 上采样的核心原理是通过计算点的邻域来拟合一个局部表面（例如平面或曲面）。每个点会根据其邻域内的其他点进行调整，生成新的点，从而实现上采样。利用法线信息可以提升表面细节的保留。

1.2实现步骤

  1. 读取点云数据。
  2. 设置 MLS 算法的参数，包括搜索半径和拟合选项。
  3. 进行上采样处理。
  4. 可视化原始点云和上采样后的点云。

1.3应用场景

  1. 点云平滑：去除点云中的噪声。
  2. 表面重建：在稀疏点云中填补孔洞。
  3. 特征保留：保持点云的几何特征。

二、代码实现

2.1关键函数

2.1.1 可视化原始点云和上采样后的点云

通过设置不同的视口和背景颜色，分别显示原始点云和上采样后的点云。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和上采样后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 原始点云
    pcl::PointCloud<pcl::PointNormal>::Ptr upsampled_cloud)  // 上采样后的点云
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("MLS Upsampling Viewer"));

    // 设置视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);  // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);  // 设置白色背景
    viewer->addText("Original PointCloud", 10, 10, "vp1_text", vp_1);  // 添加标题
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 0, 255, 0);  // 设置颜色为绿色
    viewer->addPointCloud(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加点云

    // 设置视口2，显示上采样后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);  // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);  // 设置浅灰色背景
    viewer->addText("Upsampled PointCloud", 10, 10, "vp2_text", vp_2);  // 添加标题
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointNormal> upsampled_color_handler(upsampled_cloud, 255, 0, 0);  // 设置颜色为红色
    viewer->addPointCloud(upsampled_cloud, upsampled_color_handler, "upsampled_cloud", vp_2);  // 添加上采样点云

    // 设置点的大小
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "upsampled_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

2.1.2 MLS 上采样

在这个部分，我们设置 MLS 的参数并执行上采样处理。

// -----------------------------MLS 上采样---------------------------------
pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;  // 创建 MLS 上采样对象
mls.setInputCloud(cloud);  // 设置输入点云

// 设置 Kd 树搜索
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());  // 创建 Kd 树
mls.setSearchMethod(tree);  // 将 Kd 树设置为搜索方法

// 设置 MLS 参数
mls.setSearchRadius(0.1);  // 设置邻域搜索半径
mls.setComputeNormals(true);  // 启用法线计算，这对 MLS 处理非常重要
mls.setPolynomialFit(true);  // 启用多项式拟合，以便在每个局部邻域内进行表面拟合
mls.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal>::SAMPLE_LOCAL_PLANE);  // 设置上采样方法为局部平面采样
mls.setUpsamplingRadius(0.04);  // 设置上采样半径，控制新点的生成
mls.setUpsamplingStepSize(0.02);  // 设置上采样步长，控制点的分布
mls.setPolynomialOrder(2);  // 设置多项式拟合的阶数，通常选择2以获得较好的平滑效果

// 执行上采样处理
pcl::PointCloud<pcl::PointNormal>::Ptr upsampled_cloud(new pcl::PointCloud<pcl::PointNormal>);  // 存储上采样后的点云
mls.process(*upsampled_cloud);  // 进行上采样处理
std::cout << "上采样后点云的个数：" << upsampled_cloud->points.size() << std::endl;  // 输出上采样后的点云数量

2.2完整代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/surface/mls.h>
#include <pcl/search/kdtree.h>
#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和上采样后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 原始点云
    pcl::PointCloud<pcl::PointNormal>::Ptr upsampled_cloud)  // 上采样后的点云
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("MLS Upsampling Viewer"));

    // 设置视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);  // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);  // 设置白色背景
    viewer->addText("Original PointCloud", 10, 10, "vp1_text", vp_1);  // 添加标题
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 0, 255, 0);  // 设置颜色为绿色
    viewer->addPointCloud(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加点云

    // 设置视口2，显示上采样后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);  // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);  // 设置浅灰色背景
    viewer->addText("Upsampled PointCloud", 10, 10, "vp2_text", vp_2);  // 添加标题
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointNormal> upsampled_color_handler(upsampled_cloud, 255, 0, 0);  // 设置颜色为红色
    viewer->addPointCloud(upsampled_cloud, upsampled_color_handler, "upsampled_cloud", vp_2);  // 添加上采样点云

    // 设置点的大小
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "upsampled_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

int main(int argc, char** argv)
{
    // -----------------------------读取点云数据---------------------------------
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("rectangle_cloud.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read the PCD file!\n");
        return -1;  // 返回错误
    }
    std::cout << "原始点云的个数：" << cloud->points.size() << std::endl;  // 输出原始点云数量

    // -----------------------------MLS 上采样---------------------------------
    pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;  // 创建 MLS 上采样对象
    mls.setInputCloud(cloud);  // 设置输入点云

    // 设置 Kd 树搜索
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    mls.setSearchMethod(tree);  // 将 Kd 树设置为搜索方法

    // 设置 MLS 参数
    mls.setSearchRadius(0.1);  // 设置邻域搜索半径
    mls.setComputeNormals(true);  // 启用法线计算，这对 MLS 处理非常重要
    mls.setPolynomialFit(true);  // 启用多项式拟合，以便在每个局部邻域内进行表面拟合
    mls.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal>::SAMPLE_LOCAL_PLANE);  // 设置上采样方法为局部平面采样
    mls.setUpsamplingRadius(0.04);  // 设置上采样半径，控制新点的生成
    mls.setUpsamplingStepSize(0.02);  // 设置上采样步长，控制点的分布
    mls.setPolynomialOrder(2);  // 设置多项式拟合的阶数，通常选择2以获得较好的平滑效果

    pcl::PointCloud<pcl::PointNormal>::Ptr upsampled_cloud(new pcl::PointCloud<pcl::PointNormal>);  // 存储上采样后的点云
    mls.process(*upsampled_cloud);  // 执行上采样处理
    std::cout << "上采样后点云的个数：" << upsampled_cloud->points.size() << std::endl;  // 输出上采样后点云数量

    // -----------------------------可视化原始点云和上采样后的点云---------------------------------
    visualizePointClouds(cloud, upsampled_cloud);  // 可视化函数

    return 0;
}

三、实现效果

莫将晚霞落黄昏
关注
专栏目录
PCL MLS点云上采样
dayuhaitang1的博客
12-19 894
PCL MLS点云上采样
PCL：MLS重采样
m0_71596228的博客
04-20 83
MLS移动最小二乘法是一种用于对离散数据进行光滑处理和曲面重建的技术。它通过在每个点附近拟合一个局部曲面，然后利用最小二乘法拟合局部曲面，从而对点云进行重构和光滑处理。曲面重建：MLS移动最小二乘法可以从不规则的点云数据中重建出光滑的曲面，用于三维模型重建、建模等应用。光滑处理：对于噪声较多的点云数据，MLS移动最小二乘法可以有效地对数据进行光滑处理，降低噪声影响。法向量估计：MLS移动最小二乘法可以用于估计点云数据的法向量，为后续的特征提取、分类等任务提供支持。
PCL 法向量计算
u011489887的专栏
02-03 834
pcl 法向量求取
PCL MLS移动最小二乘法上采样（Surface_Mls）
xhm01291212的博客
09-13 332
大致思想：即使用一个类似窗口，不停移动窗口，对窗口内的点云点进行最小二乘法平面计算，按照计算出的平面方程往点云内插值。
PCL halcon 拟合平面与法向量计算比较
weixin_39354845的博客
06-14 1197
在halcon 和PCL 中拟合同一片点云的差距有多大，和设置的参数有管，但是我这里尽量设置的差不多
PCL MLS平滑点云并计算法向量【2024最新版】
点云侠的博客
05-13 39万+
移动最小二乘原理计算点云法线并显示，博客长期更新，本文最近一次更新时间为：2024年7月27日。代码同步更新至PCL1.14.1。
halcon and PCL 法向量找边
weixin_39354845的博客
02-28 705
深度图中由于高度起伏比较小，导致在找边的时候很不好找，所以可以使用halcon 中的法向量来找边。
基于PCL的MLS（移动最小二乘）算法简介与示例
baidu_35536188的博客
04-13 4289
简单分析
PCL - MLS代碼研讀（一）- MLS測試
keineahnung2345的博客
08-24 969
PCL的MLS模塊用於對點雲做平滑處理（或說曲面重建）及上採樣，其中MLS的理論基礎可以參考PCL MLS論文Computing and Rendering Point Set Surfaces研讀筆記這篇文章。本系列文將記錄筆者研讀PCL MLS模塊代碼的筆記。想要了解PCL的MLS模組，可以先從它的測試程序入手。MLS的測試程序位於test/surface/test_moving_least_squares.cpp。PCL的各測試程序中都用到了Googletest，可以到Quickstart:
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月29日。
pcl 使用mls对点云上采样原理
01-30
2. 根据领域内的点进行最小二乘拟合，获得曲面（通常是一个平面）的法向量和拟合误差。 3. 将目标点的位置投影到曲面上，得到新的点位置。 4. 重复以上步骤，直到所有点都被处理。 MLS的优点在于能够保留原始点云的...
二叉树最小深度
2301_80161204的博客
09-27 469
25[0, 105]
使用Python实现图形学的纹理映射算法
qq_42568323的博客
09-27 1282
纹理映射的基本概念是将二维图像（纹理）应用于三维模型的表面，以便在渲染时提供更多的细节和视觉效果。纹理坐标生成：为每个顶点生成对应的纹理坐标，通常使用归一化的二维坐标系统。纹理采样：根据生成的纹理坐标从纹理图像中获取颜色值。光照计算：结合光照模型，计算最终颜色，产生更真实的效果。图像合成：将计算得到的颜色与其他渲染信息合成，生成最终图像。纹理映射不仅可以用于简单的颜色填充，还可以模拟表面细节、光照变化等，提升渲染效果。
＜使用生成式AI对四种冒泡排序实现形式分析解释的探讨整理＞
m0_57859086的博客
10-01 1012
/冒泡排序实现1——不常用（这个版本两层for循环分别是i++、j++）// 声明三个整型变量i、j和temp用于循环控制和交换元素for (i = 0;i < n - 1;i++) { // 外层循环，从数组的第一个元素开始遍历到倒数第二个元素j < n;j++) { // 内层循环，从当前外层循环位置的下一个元素开始遍历到最后一个元素if (A[i] > A[j]) { // 如果当前元素大于下一个元素// 将当前元素存储到临时变量temp中// 将下一个元素赋值给当前元素。
DAY17||654.最大二叉树 |617.合并二叉树 |700.二叉搜索树中的搜索 |
2301_79865280的博客
09-29 1284
给定一个不含重复元素的整数数组。通过给定的数组构建最大二叉树，并且输出这个树的根节点。示例 ：构造二叉树一定要，因为要先找到中，才能分割左右子树。本题图解思路：本题做过上一题构建数组确实变得容易很多。代码优化方向有，不用每次找左右子树的时候构建新的数组的话效率就会高很多。（即直接用下标索引直接在原数组上操作）关于加不加if的问题，如果允许空节点进入递归，就不加。
算法：按既定顺序创建目标数组
AWSDN的博客
09-29 218
本文主要介绍按既定顺序创建目标数组问题
【韩顺平Java笔记】第6章：数组、排序和查找
最新发布
随手写写
10-02 526
排序是将多个数据，依指定的顺序进行排列的过程。
前缀和(4)_除自身以外数组的乘积
wer24_25的博客
09-26 921
前缀和(4)_除自身以外数组的乘积,进阶：你可以在 O(1) 的额外空间复杂度内完成这个题目吗？（ 出于对空间复杂度分析的目的，输出数组 不被视为 额外空间。）
pcl mls上采样
08-18
PCL（Point Cloud Library）是一个强大的计算机视觉库，广泛应用于点云数据处理和分析。MLS（Moving Least Squares）是一种常用的点云数据平滑方法。而上采样是点云处理中的一种操作，通过插值方法在原始点云数据集中增加新的点，提高点云的密度和信息量。 PCL中的MLS上采样方法可以根据输入的点云数据集进行平滑操作，并在每一个点处进行曲面拟合来生成新的数据点。MLS上采样通过使用最小二乘法进行点云曲面平滑处理，从而提高了点云数据的质量和光滑度。 具体的实现过程如下：首先，PCL的MLS上采样方法会根据一定的搜索半径，在每一个输入点的邻域内进行最小二乘平面拟合。然后，通过拟合曲面来计算新的数据点。最后，将生成的新数据点添加到原始点云数据集中，从而实现对点云数据的上采样操作。 MLS上采样方法有助于提高点云数据的密度和光滑度，进而提升点云数据在三维重建、物体识别、场景分析等领域的应用效果。尤其在使用点云数据进行三维重建时，上采样可以使点云更加密集，有助于提高重建的准确性和细节表达。 总之，PCL中的MLS上采样是一种有效的点云数据处理方法，通过在原始点云数据集中增加新的数据点，提高点云的密度和光滑度。这种方法在点云数据分析和三维重建中具有广泛的应用潜力。
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
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