PCL 点云体素滤波

于 2024-10-05 00:00:00 发布
阅读量558 收藏 20
点赞数 23
分类专栏： PCL点云算法与实战案例 文章标签： 计算机视觉 人工智能 算法 3d 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/142629172
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 体素滤波实现

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

        体素滤波（Voxel Grid Filter） 是一种常用的点云降采样方法。它通过将点云划分为固定大小的三维网格（体素），然后用每个体素内的点的代表值（如质心）来代替体素内的所有点，从而达到减少点云数据量的目的。

1.1原理

体素滤波的基本思想是：

  1. 空间划分：将点云空间划分为大小相同的体素网格，每个体素是一个立方体区域。
  2. 点替换：对于每个体素，将其中的所有点用一个代表点替换，通常是这些点的质心或中心点。
  3. 降采样：通过上述过程，原始点云被降采样为较少的点，同时保持点云的整体结构和形状。

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. 设置体素滤波器参数：定义体素网格的尺寸（叶子大小）。
  3. 应用滤波器：生成降采样后的点云。
  4. 可视化结果：将原始点云和降采样后的点云进行可视化，对比效果。原始点云为红色，降采样后的点云为绿色。

1.3应用场景

  1. 数据简化：在处理高密度点云时，降采样可以减少计算量，提高处理效率。
  2. 特征提取：在某些算法中，可能需要低分辨率的点云来加速计算。
  3. 预处理：在进行点云配准或表面重建前，对点云进行降采样以提高效率。

二、代码实现

2.1关键函数

2.1.1 体素滤波实现

使用 pcl::VoxelGrid 对点云进行体素滤波。

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

// 体素滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr voxelGridFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    float leaf_size                             // 体素网格尺寸（叶子大小）
)
{
    // 创建体素滤波对象，并设置参数
    pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
    voxel_filter.setInputCloud(cloud);              // 设置输入点云
    voxel_filter.setLeafSize(leaf_size, leaf_size, leaf_size);  // 设置体素网格尺寸

    // 滤波后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    voxel_filter.filter(*filtered_cloud);           // 应用滤波

    return filtered_cloud;  // 返回降采样后的点云
}

2.1.2 可视化函数

使用 PCL 可视化库展示原始点云和降采样后的点云，并设置颜色：原始点云为红色，降采样后的点云为绿色。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和降采样后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 降采样后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Voxel Grid Filter Viewer"));

    // 创建视口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 Cloud", 10, 10, "vp1_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

    // 创建视口2，显示降采样后的点云
    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("Filtered Point Cloud", 10, 10, "vp2_text", vp_2);  // 添加标题

    // 设置降采样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);  // 添加降采样后的点云

    // 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/voxel_grid.h>         // 体素滤波
#include <pcl/visualization/pcl_visualizer.h>

// 体素滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr voxelGridFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    float leaf_size                             // 体素网格尺寸（叶子大小）
)
{
    // 创建体素滤波对象，并设置参数
    pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
    voxel_filter.setInputCloud(cloud);              // 设置输入点云
    voxel_filter.setLeafSize(leaf_size, leaf_size, leaf_size);  // 设置体素网格尺寸

    // 滤波后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    voxel_filter.filter(*filtered_cloud);           // 应用滤波

    return filtered_cloud;  // 返回降采样后的点云
}

// 可视化原始点云和降采样后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 降采样后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Voxel Grid Filter Viewer"));

    // 创建视口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 Cloud", 10, 10, "vp1_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

    // 创建视口2，显示降采样后的点云
    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("Filtered Point Cloud", 10, 10, "vp2_text", vp_2);  // 添加标题

    // 设置降采样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);  // 添加降采样后的点云

    // 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
    }

    // -------------------------------体素滤波---------------------------------
    float leaf_size = 0.005f;  // 设置体素网格尺寸（叶子大小）
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud = voxelGridFilter(cloud, leaf_size);  // 应用体素滤波

    // ------------------------------可视化原始点云和降采样后的点云---------------------------------
    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
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
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。
【C++PCL】点云处理体素滤波优化
weixin_45196569的博客
11-29 1124
改进的体素滤波通过引入距离体素重心点最近的点替代体素中心点的方式，旨在提高点云数据的表达精确性。原始的体素滤波使用体素中所有点的重心来近似表示整个体素，这样的处理方式有可能导致失去原始点云中的细小特征，因为每个体素都被用一个重心点来代表，而这个重心点并不一定是原始点云中的真实点。改进的方法在体素滤波的基础上，考虑了每个体素内距离体素重心点最近的点。这样的替代方案更加精细，因为它允许体素的表示更贴近原始点云数据的局部特征。
PCL体素滤波（voxel_grid）
xhm01291212的博客
08-02 421
将整体点云体素化为一个三维体素栅格，使用每个体素栅格的近似代表该体素块。（1）对点云按照输入的立方体进行体素化处理，将所有的点云点分布进一个一个的小体素块中。（2）计算每个体素块的（注意要区别于体素滤波计算中心点）。（3）所有计算出的体素块质心点组成组成新的点云点，合并得到最终结果。如何理解体素化：如下图，将整体点云体素化为多个小体素块，用一个个正方形的小块代表该范围内的点云。
PCL 的点云滤波
相忘于江湖的专栏
10-18 2546
PCL中的几种常见的点云滤波函数及其应用。
PCL点云处理之体素滤波（八十七）
weixin_44329757的博客
01-09 1269
VoxelGrid体素滤波，抽稀原始点云
点云学习----PCL点云滤波2-体素滤波
liuxiaojiangtobeno1的博客
06-21 2679
体素滤波： 个人理解就是把整个点云数据按照某个设定的大小，将其分割成一个个小的立方块儿，在每个立方块儿中选取一个有代表性的点（可以是立方块儿中所有点的重心点也可以是中心点，或者是距离中心最近的点），过滤掉其他点，这样可以保持点云的整体轮廓和形状。以下代码分别采用重心（VoxelGrid）、中心（ApproximateVoxelGrid）以及距离中心最近的点（用kd树进行计算）分别滤波并展示...
基于PCL的点云滤波中的体素栅格滤波算法
04-23
在这个场景中，我们将深入探讨基于PCL的体素栅格滤波算法，它是点云处理中的一个关键步骤，能够有效地减少点云数据的数量，同时保持其关键特征，从而降低后续处理的计算复杂度。 体素栅格滤波，也称为Voxel Grid...
PCL体素栅格滤波器.zip_pcl 点云特征_体素_体素栅格_体素滤波_体素滤波原理
07-14
体素滤波的原理基于空间量化，其主要步骤包括： 1. 初始化体素网格：根据点云的数据范围和期望的分辨率设置体素大小，创建一个覆盖整个点云的三维网格。 2. 填充体素：遍历每个点，将其分配到对应的体素内。 3. ...
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...
基于yolov8深度学习的120种犬类检测与识别系统python源码+onnx模型+评估指标曲线+精美GUI界面目标检测狗类检测犬类识别系统
FL1623863129的博客
10-02 1012
【算法介绍】基于YOLOv8深度学习的120种犬类检测与识别系统是一款功能强大的工具，该系统利用YOLOv8深度学习框架，通过21583张图片的训练，实现了对120种犬类的精准检测与识别。该系统基于Python与PyQt5开发，具有简洁的UI界面，支持图片、视频以及摄像头三种方式进行目标检测，并能够将检测结果进行保存。在检测过程中，系统能够实时显示目标位置、目标总数、置信度以及用时等信息，为用户提供直观、清晰的检测结果。该系统在多个领域具有广泛的应用价值。
红外画面空中目标检测系统源码分享
xuehaishijue的博客
10-02 1191
数据集信息展示在现代计算机视觉领域，尤其是在空中目标检测的研究中，数据集的构建与选择至关重要。本研究所采用的数据集名为“Air Vehicles”，专门针对红外画面中的空中目标检测任务而设计。该数据集包含四个主要类别，分别是“Airplane”（飞机）、“Bird”（鸟类）、“Drone”（无人机）和“Helicopter”（直升机）。这些类别的选择不仅涵盖了多种常见的空中目标，还反映了当前无人机技术和航空活动的快速发展。
PASCAL VOC 2012数据集 20类物体，这些物体包括人、动物（如猫、狗、鸟等）、交通工具（如车、船、飞机等）以及家具（如椅子、桌子、沙发等）。
阿利同学的博客
10-04 783
PASCAL VOC 2012数据集 20类物体，这些物体包括人、动物（如猫、狗、鸟等）、交通工具（如车、船、飞机等）以及家具（如椅子、桌子、沙发等）。
目标检测评价指标
m0_57442556的博客
10-02 336
目标检测评价指标
[数据集][目标检测]辣椒缺陷检测数据集VOC+YOLO格式695张5类别
FL1623863129的博客
09-28 559
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:[“Defect”,“Fly-bites”,“Grade-A”,“Grade-B”,“striped”]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：698。标注数量(xml文件个数)：698。标注数量(txt文件个数)：698。标注规则：对类别进行画矩形框。
[数据集][目标检测]电力场景防震锤缺陷检测数据集VOC+YOLO格式705张1类别
FL1623863129的博客
09-30 610
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)重要说明：防震锤缺陷图片太难找，数据集里面存在大量单一场景图片，请仔细查看图片预览谨慎下载，此外数据集均为小目标检测，如果训练map偏低属于正常现象。特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：705。标注数量(xml文件个数)：705。标注数量(txt文件个数)：705。
计算机视觉实战项目4（图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等）
阿利同学的博客
09-24 2311
往期热门项目回顾： 计算机视觉项目大集合 改进的yolo目标检测-测距测速 路径规划算法 图像去雨去雾+目标检测+测距项目 交通标志识别项目 yolo系列-重磅yolov9界面-最新的yolo 姿态识别-3d姿态识别 深度学习小白学习路线 AI健身教练-引体向上-俯卧撑计数代码-仰卧起坐姿态估计-康复训练姿态识别-姿态矫正（附代码） yolov8双目测距-yolov8+sgbm（原理+代码） yolov5单目测距+速度测量+目标跟踪（算法介绍和代码 YOLOv8界面-目标检测+语义分割
05_图片剪切
A_Lv123的博客
09-29 470
dst = img[350:650,550:800] #这里选取矩形区域X：550-800 Y：350-650。image_widget2.value = bgr8_to_jpeg(dst) #剪切的图像。image_widget1.value = bgr8_to_jpeg(img1) #原始图像。以下会在jupyterLab控件中显示两种压缩后的图像对比显示。#bgr8转jpeg格式。
【目标检测】yolo的三种数据集格式
最新发布
m0_55259388的博客
10-04 437
目标检测中数据集格式之间的相互转换--coco、voc、yolohttp://目标检测中数据集格式之间的相互转换--coco、voc、yolo - 琪小钧的文章 - 知乎 https://zhuanlan.zhihu.com/p/461488682【目标检测】yolo的三种数据集格式http://【目标检测】yolo的三种数据集格式 - YoursMin的文章 - 知乎 https://zhuanlan.zhihu.com/p/525950939。
点云体素滤波的头文件
05-25
点云体素滤波（VoxelGrid Filter）是点云处理中常用的一种滤波方法，它...需要注意的是，上述头文件是基于PCL（Point Cloud Library）库实现的点云体素滤波，如果你使用的是其他点云处理库，可能需要引入不同的头文件。
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