PCL 点云直通滤波

于 2024-10-03 00:00:00 发布
阅读量709 收藏 8
点赞数 7
分类专栏： PCL点云算法与实战案例 文章标签： 算法 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/142628488
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 直通滤波实现

2.1.2 可视化函数

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

        直通滤波（PassThrough Filter） 是一种常用的点云滤波方法，用于在特定范围内选择和保留点云数据中的点。通过指定要保留的点的坐标范围，可以有效地去除不必要的点云数据，从而简化点云并提高后续处理的效率。

1.1原理

        直通滤波的原理是根据用户定义的坐标轴（如 X、Y 或 Z）范围，过滤掉不在该范围内的点。此方法适用于对点云进行区域选择，以便专注于特定区域或特征。

1.2实现步骤

  1. 读取点云数据：使用 PCL 的 I/O 函数读取点云文件。
  2. 设置直通滤波器参数：包括要过滤的坐标轴和范围。
  3. 应用滤波器：生成过滤后的点云。
  4. 可视化结果：将原始点云和过滤后的点云进行可视化，对比效果。原始点云为红色，过滤后的点云为绿色。

1.3应用场景

  1. 区域选择：在进行特征提取或对象识别时，仅保留感兴趣区域的点。
  2. 噪声去除：通过过滤掉不在指定范围内的点，去除可能的噪声。
  3. 数据简化：降低点云数据的复杂性，以提高计算效率。

二、代码实现

2.1关键函数

2.1.1 直通滤波实现

        通过设置坐标轴和范围，应用直通滤波器。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>

// 直通滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr passThroughFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    const std::string& axis,                    // 要过滤的坐标轴
    float min_limit,                            // 最小范围
    float max_limit                             // 最大范围
)
{
    pcl::PassThrough<pcl::PointXYZ> pass;  // 创建直通滤波器对象
    pass.setInputCloud(cloud);             // 设置输入点云
    pass.setFilterFieldName(axis);         // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pass.setFilterLimits(min_limit, max_limit);  // 设置过滤范围
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*filtered_cloud);          // 应用滤波器
    return filtered_cloud;                 // 返回过滤后的点云
}

2.1.2 可视化函数

        使用 PCL 可视化库展示原始点云和过滤后的点云，并设置颜色：原始点云为红色，过滤后的点云为绿色。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("PassThrough Filter 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("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 设置视口2，显示过滤后的点云
    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("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_cloud", vp_2);

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

2.2完整代码

// C++头文件
#include <iostream>
// PCL头文件
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>      // 直通滤波
#include <pcl/visualization/pcl_visualizer.h>

// 直通滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr passThroughFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    const std::string& axis,                    // 要过滤的坐标轴
    float min_limit,                            // 最小范围
    float max_limit                             // 最大范围
)
{
    pcl::PassThrough<pcl::PointXYZ> pass;  // 创建直通滤波器对象
    pass.setInputCloud(cloud);             // 设置输入点云
    pass.setFilterFieldName(axis);         // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pass.setFilterLimits(min_limit, max_limit);  // 设置过滤范围
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*filtered_cloud);          // 应用滤波器
    return filtered_cloud;                 // 返回过滤后的点云
}

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("PassThrough Filter 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("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 设置视口2，显示过滤后的点云
    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("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_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("bunny.pcd", *cloud) < 0)
    {
        PCL_ERROR("Could not read file\n");
        return (-1);  // 返回错误
    }

    // -------------------------------直通滤波---------------------------------
    float min_limit = -0.1;  // 设置过滤范围下限
    float max_limit =0.1;   // 设置过滤范围上限
    std::string axis = "y";  // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud = passThroughFilter(cloud, axis, min_limit, max_limit);  // 进行直通滤波

    // ------------------------------可视化原始点云和过滤后的点云---------------------------------
    visualizePointClouds(cloud, filtered_cloud);  // 调用可视化函数

    return 0;
}

三、实现效果

莫将晚霞落黄昏
关注
专栏目录
PCL 点云直通滤波【附C++代码示例】
weixin_43896283的博客
04-15 490
直通滤波（PassThrough Filter）是PCL库中的一种简单而高效的点云滤波方法。它的基本思想是对点云数据在某一特定轴向（如X、Y或Z轴）上的坐标值进行范围筛选，即去掉用户指定范围内部（或外部）的点，从而实现对点云数据的裁剪和过滤。
【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点云直通滤波
laoki的专栏
04-25 217
使用pcl的点云直通滤波
【C++PCL】点云处理直通滤波
weixin_45196569的博客
11-29 599
直通滤波器是一种用于处理点云数据的滤波方法，其主要目的是根据点云中点的属性，在特定属性上设定一个数值范围，然后根据这个范围选择性地保留或删除点。
PCL 的点云滤波
相忘于江湖的专栏
10-18 2544
PCL中的几种常见的点云滤波函数及其应用。
PointCloudLib 点云直通滤波实现 C++版本
linux_huangyu的博客
05-20 98
直通滤波器（PassThrough Filter）是一种用于处理点云数据的过滤算法。其原理主要基于设定某一维度（如X、Y、Z轴）的阈值范围，然后遍历点云中的每个点，判断该点在指定维度上的取值是否在该阈值范围内。如果点的取值在阈值范围内，则保留该点；如果不在范围内，则删除该点。最后，遍历结束后，剩下的点即构成滤波后的点云数据。直通滤波的原理基于一个假设，即大多数情况下，我们只对特定区域内的点云数据感兴趣。因此，通过设定一个过滤范围，可以剔除超出该范围的点云数据，从而达到简化数据、加速处理的目的。
PCL点云数据 滤波降噪
jacke121的专栏
08-28 3122
图像处理】PCL点云数据的滤波降噪的方法 这个带公式： https://blog.csdn.net/qq_30815237/article/details/86294496 为什么进行点云滤波处理： （1） 点云数据密度不规则需要平滑； （2） 因为遮挡等问题造成离群点需要去除； （3） 大量数据需要下采样； （4） 噪声数据需要去除； 点云数据去噪滤波方法： 双边滤波、高斯滤波、分箱去噪、KD-Tree、直通滤波、随机采样一致性滤波等； 方法定义以及适用性： 1.双边滤波：将距离和空间结构结合
点云学习----PCL点云滤波1-直通滤波
liuxiaojiangtobeno1的博客
05-07 2711
直通滤波：pcl::PassThrough类 过滤掉点云某个纬度下指定区域内（或者外）的点，用于消除背景等操作。 先来个自定义的点云数据滤波： #include <iostream> #include<pcl/point_types.h> #include<pcl/filters/passthrough.h> using namespace std; int main() { //定义一个点云对象和滤波后的点云对象 ...
PCL点云滤波算法
weixin_43850909的博客
10-22 231
在点的属性上设置范围，对点进行滤波，保留该属性上范围内或范围外的点（1）指定一个维度以及该维度下的值域（2）遍历点云中每一个点，判断该点在指定维度下的值是否存在值域内，不存在则删除（3）遍历结束，剩下没被删除的点就是滤波后的点使用场景：在知道噪声点某一维度上的值时，可以进行去噪。
matlab读取txt格式转换为矩阵.zip_matlab点云滤波_点云半径滤波_点云统计滤波_直通滤波 matlab_统计滤波
07-14
在点云处理领域，滤波是一种常见的数据预处理技术，用于去除噪声，平滑数据，以及提取关键特征。本文将详细讲解五种点云滤波方法，并以MATLAB为例，介绍如何实现这些滤波器，以及如何从TXT格式的数据转换为矩阵进行...
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 1011
/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 1283
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
10-02 525
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。）
【算法】分治：三指针之 75.颜色分类（medium)
m0_73726899的博客
09-26 709
分治思想实现颜色排序。
python点云直通滤波代码
06-13
在Python中处理点云数据并进行滤波通常使用诸如PCL (Point Cloud Library) 或者 Open3D 这样的库，这些库提供了丰富的功能来操作和处理3D点云数据。滤波是点云处理中的一个重要步骤，它可以去除噪声、平滑表面或提取特征。 以下是一个简单的使用Open3D库进行点云直通滤波（Moving Least Squares, MLS）的例子： ```python import open3d as o3d from open3d.ml.torch.ops import mlssmooth # 假设你已经有一个o3d.geometry.PointCloud对象pc pc = ... # 从文件载入或创建 # 设置滤波器参数 radius = 0.1 # 半径（单位通常是点云的坐标尺度） kernel_size = 10 # MLS核大小 # 使用MLS进行滤波 pc_filtered = pc.voxel_down_sample(radius) mls_filter = mlssmooth.MLSSmooth(kernel_size=kernel_size) pc_filtered.points = mls_filter.run(pc_filtered) # 显示原始点云和滤波后的点云 o3d.visualization.draw_geometries([pc, pc_filtered]) ``` **相关问题：** 1. 你能解释一下什么是直通滤波（Moving Least Squares）吗？ 2. 还有哪些其他的点云滤波技术可以在Open3D中应用？ 3. 如何保存和加载Open3D处理后的点云结果？
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