PCL 点云条件滤波（基于曲率）

于 2024-10-01 09:04:30 发布
阅读量494 收藏 11
点赞数 11
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/142667613
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 计算法向量和曲率

2.1.2 条件滤波

2.1.3 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

        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

  1. 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。
  2. 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。
  3. 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

  1. 读取点云数据。
  2. 使用 NormalEstimationOMP 计算法向量及曲率。
  3. 创建条件滤波器，基于曲率进行筛选。
  4. 对点云数据应用条件滤波。
  5. 可视化原始点云和条件滤波后的点云。

1.3应用场景

  1. 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。
  2. 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。
  3. 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;
}

三、实现效果

莫将晚霞落黄昏
关注
专栏目录
PCL点云处理之基于曲率的条件滤波 （一百四十六）
weixin_44329757的博客
05-06 744
曲率是描述点云局部特征的重要数值，通常在建筑物边缘以及树木位置的点云曲率较大，而在地面等平面内部点云的曲率较小。设置合理的曲率阈值可以快速区分这两部分点云，条件滤波器是PCL内部灵活的滤波器，可以人为设置滤波条件，因此将二者结合，基于曲率条件进行滤波，得到符合自己理想的点。
【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——滤波算法
qq_35997213的博客
08-14 1017
点云滤波、降采样基础算法
2.1-PCL点云滤波Filtering
TimeRiverForever的博客
04-23 538
返回 >>>>>> PCL-3D点云总目录 点云滤波概述¶ 在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点。实际应用中除了这些测量随机误差产生的噪声点之外，由于受到外界干扰如视线遮挡、障碍物等因素的影响，点云数据中往往存在着一些离主体点云较远的离散点，即离群点。不同的获取设备点云噪声结构也有不同。 通过滤波完成的功能还包括孔洞修复、最小信息损失的海
点云的滤波
qq_60143666的博客
01-04 1万+
从零开始一起学习SLAM | 给点云加个滤网 点云下采样和去离群点 PCL—低层次视觉—点云滤波（基于点云频率） - IronStark - 博客园 基于点云频率的点云滤波 常见点云滤波算法 - 简书 常见滤波算法 点云滤波作为常见的点云处理算法，一般是点云处理的第一步，对后续处理有很重要作用。滤波有很多方面也有很多种功能，比如去除噪声点、离群点、点云平滑以及空洞、数据压缩等。 为什么要对点云滤波？ 一般下面这几种情况需要进行点云滤波处理： （1）点云数据密度不规则需要平滑 （2）因为..
【PCL】—— 点云滤波
sinat_52032317的博客
04-29 3112
在获取点云数据时，由于设备精度，操作者经验环境因素带来的影响，以及电磁波的衍射特性，被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免的出现一些噪声。PCL常规滤波手段均进行了很好的封装，对点云的滤波通过调用各个滤波器对象来完成。主要的滤波器有等。
PCL 点云滤波Filtering
m0_37302966的博客
09-22 992
PCL 点云滤波Filtering
PCL点云滤波器总结
Roar冷颜的博客
09-27 3646
PCL入门教程—点云滤波2 编写动作服务器2.1 编写动作服务器代码   在获取点云数据时， 2 编写动作服务器   首先，让我们来编写一个动作服务器，该动作服务器使用我们在ROS2入门教程—创建一个动作消息（action）一文中创建的用来计算斐波那契序列的动作。 2.1 编写动作服务器代码   在action_tutorials_cpp/src目录下创建新文件fibonacci_action_server.cpp，然后拷贝如下代码： ...
点云去噪滤波
weixin_62057361的博客
08-26 460
点云滤波总结
PCL 点云地图 曲率降采样和体素降采样，随机降采样效果对比以及代码
三维点云技术探索
05-21 412
总结：体素降采样保留了更多的地面点，并且点分布及其均匀，曲率降采样只有很少的地面点，但是墙壁点，树木点会更多。
904. 水果成篮
YQ20210216的博客
09-27 353
转化，找出一个最长的子数组长度，子数组中不超过两种类型的水果，要记录水果类型和水果数量，所以要使用unord_map，key来记录水果中类，valuse记录水果数量，当right开始增加的时候，将水果种类加入到哈希表中，当水果中类超过两种时，控制left使得水果种类回到两种。你想要尽可能多地收集水果。你正在探访一家农场，农场从左到右种植了一排果树。这些树用一个整数数组。，返回你可以收集的水果的。
【优选算法】（第一篇）
weixin_73861555的博客
09-25 1082
这个⽅法是往后我们学习「快排算法」的时候，「数据划分」过程的重要⼀步。如果将快排算法拆解的话，这⼀段⼩代码就是实现快排算法的「核⼼步骤」。
8608 实现二叉排序树的各种算法(2)
huang1xiao1sheng的博客
09-30 679
用函数实现如下二叉排序树算法： （1） 插入新结点 （2） 前序、中序、后序遍历二叉树 （3） 中序遍历的非递归算法 （4） 层次遍历二叉树 （5） 在二叉树中查找给定关键字(函数返回值为成功1,失败0) （6） 交换各结点的左右子树 （7） 求二叉树的深度 （8） 叶子结点数 输入格式 第一行：准备建树的结点个数n 第二行：输入n个整数，用空格分隔 第三行：输入待查找的关键字 第四行：输入待查找的关键字 第五行：输入待插入的关键字 输出格式 第一行：二叉树的先序遍历序列
算法训练营打卡Day14
Zoe_igxgx的博客
09-25 260
题目1.226.翻转二叉树题目2.101. 对称二叉树。
数据结构（链表的操作算法）
m0_61903191的博客
09-30 311
编写一个程序exp2_2.cpp,采用单链表表示集合(假设同一个集合中不存在重复素)，将其按递增方式排序，构成有序单链表，并求这样的两个集合的并、交和差。(2)依次采用尾插法插入a、b、c、d、e元素。(8)在第4个元素位置上插人1元素。(10)删除单链表h的第3个元素。(6)输出单链表h的第3个元素。(5)判断单链表h是否为空。(4)输出单链表h长度。(7)输出元素a的位置。(1)初始化单链表h。(11)输出单链表h。(12)释放单链表h。(3)输出单链表h。(9)输出单链表h。
python 实现linear discriminant analysis线性判别分析算法
luthane的博客
09-26 506
线性判别分析（Linear Discriminant Analysis，简称LDA）是一种用于降维和分类的监督学习算法。它通过最大化类间散度和最小化类内散度来找到最佳投影方向，使得不同类别的数据在新的空间中尽可能分开，同一类别的数据尽可能靠近。LDA的基本思想LDA的基本思想是将多维数据映射到低维空间，同时保留数据之间的类别差异。具体来说，LDA通过计算类内散度矩阵（描述同一类别内部数据的分布情况）和类间散度矩阵（描述不同类别之间的差异），然后求解这两个矩阵的广义特征值问题，找到最佳的投影方向。
算法打卡：第十一章 图论part11
最新发布
qq_56221558的博客
09-30 377
代码随想录打卡第62天！完结撒花，开始二刷~
只出现一次的数字 II
程序猿进阶
09-25 1187
对于数组中非答案的元素，每一个元素都出现了 3 次，对应着第 i 个二进制位的 3 个 0 或 3 个 1，无论是哪一种情况，它们的和都是 3 的倍数（即和为 0 或 3）。既然我们在对两个整数进行普通的二元运算时，都是将它们看成整体进行处理的，那么我们是否能以普通的二元运算为基础，同时处理所有的二进制位？这样一来，对于数组中的每一个元素 x，我们使用位运算 (x >> i) & 1 得到 x 的第 i 个二进制位，并将它们相加再对 3 取余，得到的结果一定为 0 或 1，即为答案的第 i 个二进制位。
pcl计算点云法向量和曲率
10-26
PCL（Point Cloud Library）是一个用于点云数据处理的开源库。它可以用来计算点云数据的法向量和曲率。 计算点云的法向量主要是用来描述点云数据中每个点的方向信息。PCL提供了多种方法来计算点云的法向量，如曲率最小化法、积分法等。其中，曲率最小化法是一种常用的方法，它可以通过局部最小二乘平面拟合来计算每个点的法向量。 曲率是描述点云数据形状变化的一个指标。在PCL中，可以通过曲率估计方法来计算点云数据的曲率。曲率估计方法通常是通过计算点云数据的法向量之间的角度差来获得曲率值。 使用PCL来计算点云的法向量和曲率包括以下步骤： 1. 读取点云数据。 2. 对点云进行滤波处理，去除噪声和无效点。 3. 使用曲率最小化法或其他方法来计算点云的法向量。这些方法会基于点云数据的邻域信息进行计算。 4. 计算点云的曲率值，可以通过计算法向量之间的角度差来获得曲率值。 5. 可以将计算得到的法向量和曲率值作为点云的属性，可以对其进行可视化展示、分类、配准等操作。 总而言之，PCL提供了丰富的功能和算法，可以方便地计算点云数据的法向量和曲率，为点云数据处理和分析提供了有力的工具。
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