PCL 移除点云边缘不连续的点

于 2024-10-01 09:09:02 发布
阅读量676 收藏 9
点赞数 25
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/142667638
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 法向量计算

2.1.2 边界检测和移除

2.1.3 边界检测和移除

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

        在点云处理中，移除边缘不连续的点可以帮助提升数据的准确性，尤其是在3D物体的表面重建、特征提取等场景中。通过计算每个点的邻域信息，分析其与邻近点的距离或法向量变化，来识别并去除不连续的点。本文介绍了使用 PCL 中的BoundaryEstimation 类来估计点云中的边界点，并移除那些边缘不连续的点。

1.1原理

边缘不连续点的检测通过计算点与其邻域点的法向量变化或距离差异来判断。具体原理如下：

  1. 法向量估计：计算每个点的法向量及其邻域的法向量。
  2. 边界检测：根据法向量的变化或邻域点的距离，判断点是否为边界点。
  3. 滤波移除：通过设定边界点检测的阈值，移除那些不连续的边缘点。

1.2实现步骤

  1. 读取点云数据。
  2. 使用 NormalEstimation 计算每个点的法向量。
  3. 使用 BoundaryEstimation 估计边界点，判断哪些点是不连续的边缘点。
  4. 移除不连续的边缘点。
  5. 可视化原始点云和移除不连续边缘点后的点云。

1.3应用场景

  1. 表面重建：通过去除不连续的边缘点提升表面重建的精度。
  2. 特征提取：去除不连续边缘点，提取更稳定的几何特征。
  3. 噪声去除：移除位于边缘的离群点，增强数据的质量。

二、代码实现

2.1关键函数

2.1.1 法向量计算

首先通过 NormalEstimation 计算点云中每个点的法向量。

#include <pcl/features/normal_3d.h>

// 计算点云法向量
pcl::PointCloud<pcl::Normal>::Ptr computeNormals(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)  // 输入点云
{
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);

    ne.setInputCloud(cloud);
    ne.setSearchMethod(tree);
    ne.setKSearch(50);  // 设置搜索邻域的点数量
    ne.compute(*normals);  // 计算法向量

    return normals;
}

2.1.2 边界检测和移除

使用 BoundaryEstimation 检测点云中的边缘点，并移除那些不连续的点。

#include <pcl/features/boundary.h>

// 检测点云中的边缘点
pcl::PointCloud<pcl::Boundary>::Ptr detectBoundaries(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Normal>::Ptr normals)  // 输入点云和法向量
{
    pcl::BoundaryEstimation<pcl::PointXYZ, pcl::Normal, pcl::Boundary> boundary_est;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries(new pcl::PointCloud<pcl::Boundary>);

    boundary_est.setInputCloud(cloud);
    boundary_est.setInputNormals(normals);
    boundary_est.setSearchMethod(tree);
    boundary_est.setKSearch(50);  // 邻域点数
    boundary_est.setAngleThreshold(M_PI / 2);  // 设置角度阈值
    boundary_est.compute(*boundaries);  // 计算边缘点

    return boundaries;
}

// 移除不连续的边缘点
pcl::PointCloud<pcl::PointXYZ>::Ptr removeEdgePoints(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries)  // 输入点云和边界点
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 遍历每个点，如果该点不是边缘点（boundary_point == 0），则保留
    for (size_t i = 0; i < cloud->points.size(); ++i)
    {
        if (boundaries->points[i].boundary_point == 0)  // 边缘点的 boundary_point 属性为 1
        {
            filtered_cloud->points.push_back(cloud->points[i]);
        }
    }
    return filtered_cloud;
}

2.1.3 边界检测和移除

使用 BoundaryEstimation 检测点云中的边缘点，并移除那些不连续的点。

#include <pcl/features/boundary.h>

// 检测点云中的边缘点
pcl::PointCloud<pcl::Boundary>::Ptr detectBoundaries(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Normal>::Ptr normals)  // 输入点云和法向量
{
    pcl::BoundaryEstimation<pcl::PointXYZ, pcl::Normal, pcl::Boundary> boundary_est;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries(new pcl::PointCloud<pcl::Boundary>);

    boundary_est.setInputCloud(cloud);
    boundary_est.setInputNormals(normals);
    boundary_est.setSearchMethod(tree);
    boundary_est.setKSearch(50);  // 邻域点数
    boundary_est.setAngleThreshold(M_PI / 2);  // 设置角度阈值
    boundary_est.compute(*boundaries);  // 计算边缘点

    return boundaries;
}

// 移除不连续的边缘点
pcl::PointCloud<pcl::PointXYZ>::Ptr removeEdgePoints(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries)  // 输入点云和边界点
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 遍历每个点，如果该点不是边缘点（boundary_point == 0），则保留
    for (size_t i = 0; i < cloud->points.size(); ++i)
    {
        if (boundaries->points[i].boundary_point == 0)  // 边缘点的 boundary_point 属性为 1
        {
            filtered_cloud->points.push_back(cloud->points[i]);
        }
    }
    return filtered_cloud;
}

2.2完整代码

#include <iostream>
#include <pcl/io/pcd_io.h>  // 用于加载和保存PCD文件
#include <pcl/point_types.h>  // 定义点云数据类型
#include <pcl/kdtree/kdtree_flann.h>  // Kd树搜索方法
#include <pcl/features/normal_3d.h>  // 法向量计算
#include <pcl/features/boundary.h>  // 边缘点检测
#include <pcl/visualization/pcl_visualizer.h>  // 可视化库
#include <boost/thread/thread.hpp>  // 线程库

// 计算法向量
pcl::PointCloud<pcl::Normal>::Ptr computeNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);

    // 设置输入点云
    ne.setInputCloud(cloud);
    // 使用 Kd 树进行邻域搜索
    ne.setSearchMethod(tree);
    // 设置邻域中的点数
    ne.setKSearch(50);
    // 计算法向量和曲率
    ne.compute(*normals);

    return normals;
}

// 检测边缘点
pcl::PointCloud<pcl::Boundary>::Ptr detectBoundaries(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Normal>::Ptr normals)
{
    pcl::BoundaryEstimation<pcl::PointXYZ, pcl::Normal, pcl::Boundary> boundary_est;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries(new pcl::PointCloud<pcl::Boundary>);

    // 设置输入点云和法向量
    boundary_est.setInputCloud(cloud);
    boundary_est.setInputNormals(normals);
    // 设置 Kd 树搜索方法
    boundary_est.setSearchMethod(tree);
    // 设置邻域点数
    boundary_est.setKSearch(50);
    // 设置角度阈值，用于边界检测
    boundary_est.setAngleThreshold(M_PI /8);
    // 计算边缘点
    boundary_est.compute(*boundaries);

    return boundaries;
}

// 移除边缘不连续的点
pcl::PointCloud<pcl::PointXYZ>::Ptr removeEdgePoints(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries)
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 遍历每个点，如果该点不是边缘点（boundary_point == 0），则保留
    for (size_t i = 0; i < cloud->points.size(); ++i)
    {
        if (boundaries->points[i].boundary_point == 0)  // 边缘点的 boundary_point 属性为 1
        {
            filtered_cloud->points.push_back(cloud->points[i]);
        }
    }

    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("Edge Removal 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);
    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);

    // 创建视口2，显示去除边缘点后的点云
    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);  // 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);
    }
}

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<pcl::PointXYZ>("nosiy_bunny.pcd", *cloud) != 0)
    {
        return -1;
    }

    std::cout << "读取点的个数为: " << cloud->size() << " points" << std::endl;

    // 计算法向量
    pcl::PointCloud<pcl::Normal>::Ptr normals = computeNormals(cloud);

    // 检测边缘点
    pcl::PointCloud<pcl::Boundary>::Ptr boundaries = detectBoundaries(cloud, normals);

    // 移除边缘不连续的点
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud = removeEdgePoints(cloud, boundaries);

    // 可视化原始点云和移除边缘不连续点后的点云
    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 移除边缘不连续点
点云侠的博客
05-12 3万+
移除出现在边缘不连续点上的幽灵点。需要输入的点包含法线信息。
【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:实现移除边缘不连续点（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
09-24 102
PCL:实现代码运行时间计算（附完整源码）
pcl点云的滤波与特征点学习笔记
qq_33298609的博客
11-18 4833
参考链接： https://yq.aliyun.com/ziliao/431359   点云数据时不可避免的存在噪声，或者离群点（离主体点云即被测物体点云较远的离散点）。 滤波是点云数据处理流程中的第一步，往往对后续处理管道影响很大，只有在滤波预处理中将噪声点、离群点、孔洞、数据压缩等按照后续处理定制，才能够更好的进行配准、特征提取、曲面重建、可视化等后续应用处理。 目录 一、滤波处理...
PCL:通过条件设置或者半径设置去除指定点云
Felaim的博客
08-17 5989
#include <iostream> #include <pcl/point_types.h> #include <pcl/filters/radius_outlier_removal.h> #include <pcl/filters/conditional_removal.h> #include <pcl/io/pcd_io.h>int main(int argc, char **argv) {
PCL点云滤波去噪
知识搬运工的博客
01-11 4万+
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 点云中的噪声点对后续操作的影响比较大。就像盖房子一样，地基有很多瑕疵，如果不加以处理最终可能会导致整个房子坍塌的。不过别担心，PCL中有一个专门的点云滤波模块，可以将噪声点去除，还可以进行...
PCL经典代码赏析八：PCL 点云曲面重建与点云配准
Neverland_LY‘s Domain
01-28 1万+
· 说明 以下均为 Being_young 前辈所写，现转载过来，再加上自己的理解，重新写了一遍，方便自己日后使用 博客地址：http://blog.csdn.net/u013019296/article/ · 目录索引 最小二乘法对点云进行平滑处理 在平面模型上提取凸（凹）多边形 无需点云的快速三角化 PCL 点云配准 逐步匹配多幅点云（未实现） · 最小二乘法对点云
学习点云和pcl算法初步②
biubiubiu011的博客
10-23 2503
学习点云和pcl算法初步②
基于PCL的点云ISS特征点提取算法c++
05-19
这通常通过使用PCL的滤波器如`pcl::VoxelGrid`（体素格栅滤波）、`pcl::StatisticalOutlierRemoval`（统计异常值移除）或者`pcl::SIFTKeypoint`（SIFT特征点滤波）来完成。 2. **实例化ISS Keypoint**：创建一个`...
pcl点云库教程
11-30
特征提取是识别点云中具有代表性的结构，如边缘、角点和平面等。PCL中的关键点检测器（如Harris3D、SHOT、FPFH）和描述符（如PFH、FPFH）能帮助我们描述和匹配点云的不同部分。 5. **分割** 点云分割是将一个大...
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点云边缘提取原理
05-01
点云的边缘提取是点云处理中的一项重要任务，可以用于物体识别、建图和局部检索等应用场景。下面介绍一些pcl点云边缘提取的原理： 1. 基于曲率 曲率是指一个点周围曲面的弯曲程度，曲率越大则表明该点周围的曲面变化越大，边缘也越明显。因此，可以通过计算每个点的曲率来判断该点是否为边缘点。一般情况下，曲率值超过一个阈值的点可以被认为是边缘点。 2. 基于法向量变化 法向量是指一个点周围曲面的法向量，可以用于描述该点周围曲面的方向。如果一个点周围曲面的法向量变化较大，则表明该点周围的曲面变化较大，边缘也较明显。因此，可以通过计算每个点周围曲面法向量的变化来判断该点是否为边缘点。 3. 基于深度变化 深度变化是指一个点周围点的深度变化，可以用于描述该点周围点的密度变化。如果一个点周围点的深度变化较大，则表明该点周围的点密度变化较大，边缘也较明显。因此，可以通过计算每个点周围点的深度变化来判断该点是否为边缘点。 以上是一些pcl点云边缘提取的原理，实际应用中还可以结合多种方法来提高边缘检测的准确率。
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