目录
PCL点云算法汇总及实战案例汇总的目录地址链接:
一、概述
点云条件滤波 是基于点云中某些特定属性(例如曲率、坐标等)进行筛选。本文介绍了一种基于点云法向量曲率的条件滤波方法。通过计算点云的法向量及曲率值,设定曲率的阈值,提取出符合曲率条件的点云数据。
1.1原理
- 法向量估计:首先使用 NormalEstimationOMP 计算点云中每个点的法向量及曲率。
- 曲率条件筛选:根据预设的曲率阈值筛选出曲率大于阈值的点。
- 条件滤波:使用 pcl::ConditionalRemoval 对点云进行条件滤波,保留满足曲率条件的点。
1.2实现步骤
- 读取点云数据。
- 使用 NormalEstimationOMP 计算法向量及曲率。
- 创建条件滤波器,基于曲率进行筛选。
- 对点云数据应用条件滤波。
- 可视化原始点云和条件滤波后的点云。
1.3应用场景
- 几何特征提取:用于提取具有高曲率特征的边缘、尖锐区域等。
- 点云简化:通过滤除曲率较低的点,保留具有高曲率特征的点云。
- 点云分割:根据曲率值对点云进行分割,提取特定区域的点。
二、代码实现
2.1关键函数
2.1.1 计算法向量和曲率
使用 NormalEstimationOMP 计算点云法向量及曲率。
#include <pcl/features/normal_3d_omp.h>
// 计算法向量和曲率
pcl::PointCloud<pcl::PointNormal>::Ptr computeNormals(
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) // 输入点云
{
pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> normal_estimator;
pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(cloud);
normal_estimator.setInputCloud(cloud);
normal_estimator.setNumberOfThreads(4); // 设置使用的线程数
normal_estimator.setSearchMethod(tree);
normal_estimator.setKSearch(10); // 设置K近邻搜索的邻域点数
normal_estimator.compute(*normals); // 计算法向量和曲率
// 连接点云和法向量
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);
return cloud_with_normals;
}
2.1.2 条件滤波
根据曲率进行条件滤波,提取曲率大于某个阈值的点。
#include <pcl/filters/conditional_removal.h>
// 基于曲率的条件滤波
pcl::PointCloud<pcl::PointNormal>::Ptr applyCurvatureFilter(
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals, // 输入带有法向量的点云
float curvature_threshold) // 曲率阈值
{
pcl::ConditionOr<pcl::PointNormal>::Ptr range_cond(new pcl::ConditionOr<pcl::PointNormal>());
// 设定曲率大于阈值的条件
range_cond->addComparison(pcl::FieldComparison<pcl::PointNormal>::ConstPtr(
new pcl::FieldComparison<pcl::PointNormal>("curvature", pcl::ComparisonOps::GT, curvature_threshold)));
// 创建条件滤波器
pcl::ConditionalRemoval<pcl::PointNormal> condrem;
condrem.setCondition(range_cond);
condrem.setInputCloud(cloud_with_normals);
condrem.setKeepOrganized(false); // 不保留点云结构
pcl::PointCloud<pcl::PointNormal>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointNormal>);
condrem.filter(*filtered_cloud); // 应用滤波
return filtered_cloud;
}
2.1.3 可视化函数
将原始点云和条件滤波后的点云同时显示。
#include <pcl/visualization/pcl_visualizer.h>
// 可视化原始点云和条件滤波后的点云
void visualizePointClouds(
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, // 原始点云
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud) // 条件滤波后的点云
{
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Curvature 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);
viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1); // 白色背景
viewer->addText("Original PointCloud", 10, 10, "vp1_text", vp_1);
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0); // 原始点云红色
viewer->addPointCloud(cloud, cloud_color, "original_cloud", vp_1);
// 设置视口2,显示条件滤波后的点云
int vp_2;
viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);
viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2); // 浅灰色背景
viewer->addText("Filtered PointCloud", 10, 10, "vp2_text", vp_2);
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_color(filtered_cloud, 0, 255, 0); // 滤波点云绿色
viewer->addPointCloud(filtered_cloud, filtered_color, "filtered_cloud", vp_2);
// 设置点的大小
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);
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
}
}
2.2完整代码
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/filters/conditional_removal.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
// 计算法向量和曲率
pcl::PointCloud<pcl::PointNormal>::Ptr computeNormals(
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> normal_estimator;
pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(cloud);
normal_estimator.setInputCloud(cloud);
normal_estimator.setNumberOfThreads(4);
normal_estimator.setSearchMethod(tree);
normal_estimator.setKSearch(10);
normal_estimator.compute(*normals);
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);
return cloud_with_normals;
}
// 基于曲率的条件滤波
pcl::PointCloud<pcl::PointNormal>::Ptr applyCurvatureFilter(
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals,
float curvature_threshold)
{
pcl::ConditionOr<pcl::PointNormal>::Ptr range_cond(new pcl::ConditionOr<pcl::PointNormal>());
range_cond->addComparison(pcl::FieldComparison<pcl::PointNormal>::ConstPtr(
new pcl::FieldComparison<pcl::PointNormal>("curvature", pcl::ComparisonOps::GT, curvature_threshold)));
pcl::ConditionalRemoval<pcl::PointNormal> condrem;
condrem.setCondition(range_cond);
condrem.setInputCloud(cloud_with_normals);
condrem.setKeepOrganized(false);
pcl::PointCloud<pcl::PointNormal>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointNormal>);
condrem.filter(*filtered_cloud);
return filtered_cloud;
}
// 可视化函数
void visualizePointClouds(
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud)
{
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Curvature Filter Viewer"));
int vp_1;
viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);
viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);
viewer->addText("Original PointCloud", 10, 10, "vp1_text", vp_1);
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0);
viewer->addPointCloud(cloud, cloud_color, "original_cloud", vp_1);
int vp_2;
viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);
viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);
viewer->addText("Filtered PointCloud", 10, 10, "vp2_text", vp_2);
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_color(filtered_cloud, 0, 255, 0);
viewer->addPointCloud(filtered_cloud, filtered_color, "filtered_cloud", vp_2);
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);
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
}
}
int main(int argc, char** argv)
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
if (pcl::io::loadPCDFile<pcl::PointXYZ>("bunny.pcd", *cloud) != 0)
{
return -1;
}
std::cout << "读取点的个数为: " << cloud->size() << " points" << std::endl;
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals = computeNormals(cloud);
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_filtered = applyCurvatureFilter(cloud_with_normals, 0.01);
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::copyPointCloud(*cloud_filtered, *filtered_cloud);
visualizePointClouds(cloud, filtered_cloud);
return 0;
}