PCL 点云添加随机噪声并保存

于 2024-09-29 18:00:00 发布
阅读量99 收藏 3
点赞数 1
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++ 人工智能
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/142629515
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 添加随机噪声实现

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

        给点云随机添加噪声 是一种常用的数据增强方法，可以模拟传感器测量时的误差。与高斯噪声不同，随机噪声指的是在某个范围内生成均匀分布的随机数，并将其添加到点云的坐标上。这样可以在点云的每个点周围生成随机扰动，以评估算法的鲁棒性。

1.1原理

        随机噪声是一种均匀分布的噪声，它在给定范围内随机生成值，并将这些值添加到点云的坐标上。

公式如下：

                        𝑥noisy=𝑥+random(𝑎,𝑏)

random(𝑎,𝑏)表示在范围 [a,b] 内生成的随机数。

1.2实现步骤

  1. 读取点云数据。
  2. 为点云中的每个点随机添加噪声。
  3. 保存带噪声的点云数据。
  4. 可视化原始点云和带噪声的点云。

1.3应用场景

  1. 测试算法鲁棒性：评估点云处理算法在噪声环境下的表现。
  2. 模拟传感器误差：随机噪声可以用于模拟传感器测量误差。
  3. 数据增强：增加点云数据的多样性，以提高机器学习模型的泛化能力。

二、代码实现

2.1关键函数

2.1.1 添加随机噪声实现

通过为每个点的坐标添加随机噪声，生成带有随机噪声的点云。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <random>

// 添加随机噪声函数
pcl::PointCloud<pcl::PointXYZ>::Ptr addRandomNoise(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    float noise_min,                            // 噪声范围的最小值
    float noise_max                             // 噪声范围的最大值
)
{
    // 随机数生成器
    std::default_random_engine generator;
    std::uniform_real_distribution<float> distribution(noise_min, noise_max);  // 均匀分布

    // 创建带有噪声的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud(new pcl::PointCloud<pcl::PointXYZ>(*cloud));  // 拷贝原始点云
    for (auto& point : noisy_cloud->points)
    {
        point.x += distribution(generator);  // 为x坐标添加随机噪声
        point.y += distribution(generator);  // 为y坐标添加随机噪声
        point.z += distribution(generator);  // 为z坐标添加随机噪声
    }

    return noisy_cloud;  // 返回带噪声的点云
}

2.1.2 可视化函数

使用 PCL 可视化库展示原始点云和添加噪声后的点云。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和添加噪声后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud     // 添加噪声后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Noisy Point Cloud 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("Original 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，显示添加噪声后的点云
    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("Noisy Point Cloud", 10, 10, "vp2_text", vp_2);  // 添加标题

    // 设置带噪声点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> noisy_cloud_color_handler(noisy_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(noisy_cloud, noisy_cloud_color_handler, "noisy_cloud", vp_2);  // 添加带噪声点云

    // 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, "noisy_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/visualization/pcl_visualizer.h>
#include <random>  // 随机数生成

// 添加随机噪声函数
pcl::PointCloud<pcl::PointXYZ>::Ptr addRandomNoise(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    float noise_min,                            // 噪声范围的最小值
    float noise_max                             // 噪声范围的最大值
)
{
    // 随机数生成器
    std::default_random_engine generator;
    std::uniform_real_distribution<float> distribution(noise_min, noise_max);  // 均匀分布

    // 创建带有噪声的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud(new pcl::PointCloud<pcl::PointXYZ>(*cloud));  // 拷贝原始点云
    for (auto& point : noisy_cloud->points)
    {
        point.x += distribution(generator);  // 为x坐标添加随机噪声
        point.y += distribution(generator);  // 为y坐标添加随机噪声
        point.z += distribution(generator);  // 为z坐标添加随机噪声
    }

    return noisy_cloud;  // 返回带噪声的点云
}

// 可视化原始点云和添加噪声后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud     // 添加噪声后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Noisy Point Cloud 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("Original 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，显示添加噪声后的点云
    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("Noisy Point Cloud", 10, 10, "vp2_text", vp_2);  // 添加标题

    // 设置带噪声点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> noisy_cloud_color_handler(noisy_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(noisy_cloud, noisy_cloud_color_handler, "noisy_cloud", vp_2);  // 添加带噪声点云

    // 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, "noisy_cloud", vp_2);

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

// 保存噪声点云到文件
void saveNoisyPointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud, const std::string& filename)
{
    pcl::io::savePCDFileBinary(filename, *noisy_cloud);  // 保存为二进制 PCD 格式
    std::cout << "带噪声的点云已保存至: " << filename << std::endl;
}

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
    }

    // -------------------------------添加随机噪声---------------------------------
    float noise_min = -0.01f;  // 噪声最小值
    float noise_max = 0.01f;   // 噪声最大值
    pcl::PointCloud<pcl::PointXYZ>::Ptr noisy_cloud = addRandomNoise(cloud, noise_min, noise_max);  // 添加噪声

    // -------------------------------保存噪声点云---------------------------------
    //saveNoisyPointCloud(noisy_cloud, "random_noisy_bunny.pcd");  // 保存带噪声的点云

    // ------------------------------可视化原始点云和带噪声的点云---------------------------------
    visualizePointClouds(cloud, noisy_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
source_人脸点云_点云PCL_PCL点云_pcl_点云PCL_
10-03
在"source_人脸点云_点云PCL_PCL点云_pcl_点云PCL_"这个项目中，我们关注的是如何使用PCL来处理人脸点云数据。 首先，人脸点云是指通过3D扫描设备获取的包含人脸形状和细节的三维点集。这种数据通常包含了大量关于...
PCL点云处理通用技术使用指南
03-12
### PCL点云处理通用技术使用指南 #### 第一章：点云基础知识 **1.1 什么是点云？** 点云是一种三维空间中的数据表示形式，由一系列离散的三维点组成，每个点通常携带位置信息（X、Y、Z坐标）和其他属性如颜色或...
OSG+PCL点云动态显示.rar
06-03
OSG（OpenSceneGraph）和PCL（Point Cloud Library）是两个强大的开源库，分别用于3D图形渲染和点云处理。本项目结合这两者，实现了一个点云数据的动态显示系统。 首先，我们来了解下OSG（OpenSceneGraph）。它是一...
使用Qt显示PCL点云
06-02
在本文中，我们将深入探讨如何使用Qt框架来展示PCL（Point Cloud Library）点云数据。PCL是一个开源库，专门用于处理3D点云数据，而Qt则是一个跨平台的用户界面工具包，用于创建现代、美观的应用程序。将这两者结合...
基于PCL点云的三角形网格孔洞修补
07-22
C++语言，在PCL环境下的 三角形网格孔洞修复。主要针对曲面重建之后，模型出现了大量孔洞，需要修复。修复步骤很简单，就是基于最小角的剖分修复。
力扣 困难 154.寻找旋转排序数组中的最小值 II
qq_51352130的博客
09-23 501
153.寻找旋转排序数组中的最小值在此基础上，进行二分之前，单独处理一下左指针和最后一个数相同的情况就好了。left++;} else {
使用Python实现图形学的纹理映射算法
qq_42568323的博客
09-27 1132
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。
【算法】贪心+堆排序实现大根堆及标准库容器类的融合使用
2301_77954967的博客
09-25 1766
先看题这个算法，是要通过循环找到所有元素中最大的那个偶元素，对其除以2，然后再找这之后的最大的那个偶元素以此类推笔者的经历不多，第一次做的时候没有想到大根堆的算法，只是用sort将每次除以2后的整个数组进行降序排序，这样的作法使用sort对数组进行排序后，虽然可以确定数组中的元素大小顺序，但在每次选择偶数进行减半操作时，需要遍历整个数组来找到合适的偶数，效率较低。对于一个较大的数组，排序后可能需要花费较多的时间来找到下一个要进行减半操作的偶数，尤其是当操作次数较多时，这种遍历的方式会变得非常耗时。
算法宝典——二分查找算法
最新发布
2301_80689220的博客
09-28 156
初识算法之二分查找
189. 轮转数组（C++）
weixin_45813121的博客
09-25 419
给定一个整数数组nums，将数组中的元素向右轮转k个位置，其中k是非负数。
全栈项目小组【算法赛】题目及解题
2201_75648436的博客
09-22 498
全栈项目小组【算法赛】
Python实现Phong着色模型算法
qq_42568323的博客
09-24 1302
通过本文的介绍，我们详细阐述了Phong着色模型的基本原理，并使用Python实现了相关的算法。通过定义向量、光源、材质和着色器等类，我们可以灵活地计算光照和着色效果，为更复杂的三维图形渲染打下基础。Phong着色模型是计算机图形学中的经典光照模型，尽管随着技术的发展，出现了更复杂的光照模型（如Blinn-Phong、物理基础渲染等），但其简洁明了的特点仍然使其在许多应用中得以广泛使用。希望通过本次学习，读者能够深入理解Phong着色模型，并能够在实际项目中应用该算法。
数位dp(算法篇)
hellmorning的博客
09-23 1098
数位dp也就是将动态规划的思想放入到对数的每一位进行，也是一种动态规划的一种，本篇文章将会带大家简单学习一下
完全二叉树和堆排序
2301_80412275的博客
09-25 487
在满足第一个条件的前提下，最后一层的节点从左到右填充，没有空隙。
时间序列分析算法
qq_58353992的博客
09-24 890
通信领域：网络流量预测、服务器负载预测等。
Trapezoidal Decomposition梯形分解算法（TCD）
qq_35635374的博客
09-21 1271
认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！本文先对**Trapezoidal Decomposition梯形分解算法（TCD）**做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章提示：以下是本篇文章正文内容。
算法-区间和
m0_67281369的博客
09-28 170
第一行输入为整数数组 Array 的长度 n，接下来 n 行，每行一个整数，表示数组的元素。随后的输入为需要计算总和的区间，直至文件结束。给定一个整数数组 Array，请计算该数组在每个指定区间内元素的总和。输出每个指定区间内元素的总和。
【算法中的最优解和较优解问题】
qq_45611002的博客
09-23 621
从技术角度上来说，算法是否存在最优解不能一概而论，需要根据具体情况来判断。
【算法】C++KMP算法的简洁实现
Siro_sama的博客
09-25 359
对于朴素的字符串匹配算法，如果想在主串中寻找到第一次出现子串的位置，需要依次枚举主串中的每一个位置作为起始位置进行匹配尝试，如果主串中存在许多与子串相似结构的部分，那么朴素算法会进行大量的无用枚举，时间复杂度非常之高。KMP算法区别于朴素算法的地方就是其在尝试匹配时，匹配失败后不会回溯主串的指针，而是通过一个预处理的next数组去回溯子串的指针，主串的指针会继续向后遍历。因此KMP算法只会遍历一次主串，这在主串长，子串短的情况下具有非常大的性能优势。
pcl 点云高斯噪声
09-26
点云高斯噪声指的是点云数据中存在高斯分布的噪声。点云是由大量的点组成的三维空间数据，常用于三维重建、环境感知等领域。然而，在采集和处理点云数据的过程中，由于传感器的精度限制、环境干扰等因素，很容易导致点云数据中存在噪声。 高斯噪声是一种常见的噪声类型，其特点是具有高斯分布概率密度函数。在点云中，高斯噪声会使得原本清晰的点云轮廓模糊不清，使得点云的形状、边界等细节不再清晰可辨，对后续的数据处理与分析造成困扰。 针对点云高斯噪声的处理方法多种多样。其中一种常用的方法是通过滤波算法对点云数据进行降噪。滤波算法可以基于点云数据的特点，如点密度、法线信息等，来去除高斯噪声。例如，平滑滤波算法可基于点的邻域信息对点云数据进行平滑处理，从而减少噪声的影响，提高数据的质量。 另外，也可以通过先验知识对点云数据进行处理。例如，在特定应用场景下，可以根据场景的几何约束或其他先验信息，去除认为是噪声的点。同时，还可以采用数据修复技术对局部缺失的点进行恢复，从而提高点云的完整性与质量。 综上所述，点云高斯噪声是指点云数据中存在的以高斯分布特征的噪声。通过采用适当的滤波算法和先验知识，可以有效降低或消除点云数据中的高斯噪声，提高数据的准确性与可用性。
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