PCL 计算法向量（MLS)

于 2024-10-08 18:00:00 发布
阅读量586 收藏 9
点赞数 13
分类专栏： PCL点云算法与实战案例 文章标签： 算法 人工智能 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/142752611
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 computeNormalsUsingMLS

2.1.2 visualizeMLSNormals

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

        在点云处理领域，法向量是描述点云表面方向的关键属性之一。移动最小二乘（MLS, Moving Least Squares）法是一种常用的表面拟合算法，通过对局部邻域的平滑处理，得到点云的法向量。相比于其他方法，MLS法能在一定程度上提高点云法向量计算的精度和抗噪能力。

1.1原理

        移动最小二乘算法的基本思想是，在局部邻域内寻找最适合描述表面的函数，然后通过拟合得到该区域的法向量。MLS法会对点云进行表面平滑处理，这在噪声较大的点云中具有更好的表现。

法向量的计算步骤如下：

  1. 构建局部邻域：对给定点，找到其邻域内的点集。
  2. 拟合平面：在邻域内使用最小二乘法拟合平面。
  3. 法向量计算：平面的法向量即为该点的法向量。

1.2实现步骤

  1. 读取点云数据：从PCD文件中读取点云。
  2. 进行MLS重采样和法向量计算：使用pcl::MovingLeastSquares方法进行点云重采样并计算法向量。
  3. 可视化点云及其法向量：使用PCL的可视化工具显示原始点云和法向量。

1.3应用场景

  1. 表面重建：在3D表面重建中用于估计点云表面的法向量。
  2. 噪声点滤除：通过MLS重采样平滑点云，去除噪声。
  3. 精细化建模：在工业检测、3D扫描等领域，使用MLS可以得到更平滑的模型。

二、代码实现

2.1关键函数

2.1.1 computeNormalsUsingMLS

用于基于MLS算法计算点云的法向量。

// 基于MLS算法计算法向量
void computeNormalsUsingMLS(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{
    // 创建 MLS 对象并设置参数
    pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;
    mls.setInputCloud(cloud);
    mls.setComputeNormals(true);  // 设置为计算法线
    mls.setPolynomialOrder(2);    // 多项式拟合阶数
    mls.setSearchRadius(0.03);    // 搜索半径

    // 计算 MLS 重采样结果和法线
    pcl::PointCloud<pcl::PointNormal>::Ptr mls_points(new pcl::PointCloud<pcl::PointNormal>);
    mls.process(*mls_points);

    // 提取法向量
    for (size_t i = 0; i < mls_points->points.size(); ++i)
    {
        pcl::Normal normal;
        normal.normal_x = mls_points->points[i].normal_x;
        normal.normal_y = mls_points->points[i].normal_y;
        normal.normal_z = mls_points->points[i].normal_z;
        normals->points.push_back(normal);
    }
}

2.1.2 visualizeMLSNormals

用于可视化MLS法向量。

// 可视化法向量
void visualizeMLSNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{
    // 创建可视化对象
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Normal Viewer"));

    // 创建第一个视口，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);
    viewer->setBackgroundColor(0.0, 0.0, 0.0, vp_1);
    viewer->addText("Original Point Cloud", 10, 10, "vp1_text", vp_1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color, "original_cloud", vp_1);

    // 创建第二个视口，显示法向量
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);
    viewer->setBackgroundColor(0.08, 0.08, 0.08, vp_2);
    viewer->addText("MLS Normals", 10, 10, "vp2_text", vp_2);

    // 添加法向量，并设置为黑色
    viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 0.02, "normals", vp_2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler_2(cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud(cloud, cloud_color_handler_2, "cloud_with_curvature", vp_2);
    //viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 0.0, 0.0, "normals", vp_2);  // 设置法向量为黑色

    // 显示点云
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}

2.2完整代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/surface/mls.h>  // 使用 MLS 进行重采样和法向量估计
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

// 基于MLS算法计算法向量
void computeNormalsUsingMLS(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{
    // 创建 MLS 对象并设置参数
    pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;
    mls.setInputCloud(cloud);
    mls.setComputeNormals(true);  // 设置为计算法线
    mls.setPolynomialOrder(2);    // 多项式拟合阶数
    mls.setSearchRadius(0.03);    // 搜索半径

    // 计算 MLS 重采样结果和法线
    pcl::PointCloud<pcl::PointNormal>::Ptr mls_points(new pcl::PointCloud<pcl::PointNormal>);
    mls.process(*mls_points);

    // 提取法向量
    for (size_t i = 0; i < mls_points->points.size(); ++i)
    {
        pcl::Normal normal;
        normal.normal_x = mls_points->points[i].normal_x;
        normal.normal_y = mls_points->points[i].normal_y;
        normal.normal_z = mls_points->points[i].normal_z;
        normals->points.push_back(normal);
    }
}

// 可视化法向量
void visualizeMLSNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{
    // 创建可视化对象
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Normal Viewer"));

    // 创建第一个视口，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);
    viewer->setBackgroundColor(0.0, 0.0, 0.0, vp_1);
    viewer->addText("Original Point Cloud", 10, 10, "vp1_text", vp_1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color, "original_cloud", vp_1);

    // 创建第二个视口，显示法向量
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);
    viewer->setBackgroundColor(0.08, 0.08, 0.08, vp_2);
    viewer->addText("MLS Normals", 10, 10, "vp2_text", vp_2);

    // 添加法向量，并设置为黑色
    viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 0.02, "normals", vp_2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler_2(cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud(cloud, cloud_color_handler_2, "cloud_with_curvature", vp_2);
    //viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 0.0, 0.0, "normals", vp_2);  // 设置法向量为黑色

    // 显示点云
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}


int main(int argc, char** argv)
{
    // -------------------------------读取点云--------------------------------------
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("bunny.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read the PCD file\n");
        return -1;
    }

    // ------------------------------计算法向量-------------------------------------
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    computeNormalsUsingMLS(cloud, normals);

    // -------------------------------可视化---------------------------------------
    visualizeMLSNormals(cloud, normals);

    return 0;
}

三、实现效果

莫将晚霞落黄昏
关注
专栏目录
pclpy MLS平滑点云并计算法向量
点云侠的博客
12-01 1171
移动最小二乘原理计算点云法线并显示的python实现。
PCL：实现MLS平滑点云并计算法向量（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
10-07 274
PCL：实现MLS平滑点云并计算法向量（附完整源码）
PCL 法向量计算
u011489887的专栏
02-03 835
pcl 法向量求取
pcl求平面法向量_pcl之MLS算法计算并统一法向量
weixin_35853083的博客
01-28 1311
利用MLS算法计算法向量，并统一法向。MLS其他说明该算法比直接基于SVD的算法慢，但是对法向进行了统一。#include #include #include #include #include #include #include #include //包含基本可视化类#include #include using namespace std;typedef pcl::PointXYZ poin...
pcl之MLS算法计算并统一法向量
weixin_33819479的博客
12-28 1510
利用MLS算法计算法向量，并统一法向。MLS其他说明 该算法比直接基于SVD的算法慢，但是对法向进行了统一。 #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/features/normal_3d.h> #inc...
halcon and PCL 法向量找边
weixin_39354845的博客
02-28 710
深度图中由于高度起伏比较小，导致在找边的时候很不好找，所以可以使用halcon 中的法向量来找边。
PCL MLS平滑点云并计算法向量【2024最新版】
热门推荐
点云侠的博客
05-13 39万+
移动最小二乘原理计算点云法线并显示，博客长期更新，本文最近一次更新时间为：2024年7月27日。代码同步更新至PCL1.14.1。
PCL halcon 拟合平面与法向量计算比较
weixin_39354845的博客
06-14 1200
在halcon 和PCL 中拟合同一片点云的差距有多大，和设置的参数有管，但是我这里尽量设置的差不多
【理论科学与实践技术】数学与经济管理中的学科与实用算法
wnm23的专栏
10-02 798
在现代商业环境中，数学与经济管理的结合为企业提供了强大的决策支持。本文将介绍几个主要学科，包括数学基础、经济学模型、管理学及风险管理，并探讨相关的实用算法和这些算法在中国及全球知名企业中的实际应用。
＜使用生成式AI对四种冒泡排序实现形式分析解释的探讨整理＞
m0_57859086的博客
10-01 1225
/冒泡排序实现1——不常用（这个版本两层for循环分别是i++、j++）// 声明三个整型变量i、j和temp用于循环控制和交换元素for (i = 0;i < n - 1;i++) { // 外层循环，从数组的第一个元素开始遍历到倒数第二个元素j < n;j++) { // 内层循环，从当前外层循环位置的下一个元素开始遍历到最后一个元素if (A[i] > A[j]) { // 如果当前元素大于下一个元素// 将当前元素存储到临时变量temp中// 将下一个元素赋值给当前元素。
【韩顺平Java笔记】第6章：数组、排序和查找
随手写写
10-02 796
排序是将多个数据，依指定的顺序进行排列的过程。
【算法】---归并排序（递归非递归实现）
何春秋的博客
10-03 1151
归并排序 in Java
代码随想录 101. 孤岛的总面积
qq_53524614的博客
10-05 268
dfs版本，在之前求总面积的基础上增加了判断是否有有边缘位置元素的部分，所以增加了一个notEdge变量，在遇到边缘元素时标记为0，以使所有输出均变为0，此外需要注意，即使遇到了边缘元素也需要先将所有陆地遍历并在visit上标记。毕竟做人需要有始有终）bfs的版本，bfs不需要做递归回溯，所以函数的变量还是不变，只需要在内部增加一个标记是否有边缘元素的变量即可。
16.最接近的三数之和
weixin_61695887的博客
10-04 294
与三数之和的题类似，首先对数组进行排序。排序后的数组使得我们可以有效地使用双指针法来找到和最接近目标值的三元组。：遍历结束后，返回最接近的三元组的和。，然后通过双指针法来寻找另外两个数。：遍历排序后的数组，固定一个数。中选出三个整数，使它们的和与。假定每组输入只存在恰好一个解。使得三数之和最接近目标值。
国庆普及模拟赛-5
最新发布
weixin_70468627的博客
10-05 320
本文为作者CSP-j国庆第5次模拟的总结
代码随想录算法训练营day46
qq_56445436的博客
10-01 284
【代码】代码随想录算法训练营day46。
35.搜索插入位置
m0_59860403的博客
10-01 234
给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。请必须使用时间复杂度为O(log n)的算法。214。
python-FILIP/字符串p形编码/数字三角形
2401_83954530的博客
10-04 950
例如：字符串 122344111 可被描述为 1个1、2个2、1个3、2个4、3个1 ，因此我们说122344111 的 p 型编码串为 1122132431；100200300 可描述为 1个1、2个 0、1个2、2个0、1个3、2个0，因此它的 p 型编码串为 112012201320。对于 100% 的数据，100≤a,b≤999，a,b 不含 0 或不为 0。那么该数的翻转同样有 f 位，最高位为为 af​，第二位为 af−1​，……设原数有 f 位，最高位为 a1​，第二位为 a2​，。
pcl计算法向量夹角
09-21
pcl（点云库）是一个用于点云处理的开源软件库。在点云处理中，法向量是一个重要的属性，用于描述点云表面的几何特征。 计算两个法向量之间的夹角是一个常见的操作。夹角的计算可以通过计算两个向量之间的夹角来实现。 在pcl中，计算法向量夹角的方法如下： 1. 首先，我们需要获取两个点云上的法向量向量。可以使用pcl中的NormalEstimation类来计算点云的法向量。该类使用最近邻搜索的方法来估计每个点的法向量。 2. 对于两个法向量向量，可以使用内积公式计算它们之间的夹角。内积公式如下： 夹角 = arccos( (v1•v2) / (|v1| * |v2|) ) 其中，v1和v2分别是两个法向量向量，•表示内积运算，|v|表示向量v的模。 3. 使用pcl中的函数和计算方法，可以计算出夹角的值。这将提供两个法向量之间夹角的度数，以弧度为单位。 通过这种方式，可以在pcl中计算两个法向量之间的夹角。这个夹角可以帮助我们了解点云表面的几何特征，如曲率、平滑度等。同时，也可以用于点云处理中的一些任务，如点云分割、特征匹配等。 总之，通过使用pcl库提供的函数和计算方法，可以方便地计算点云中的法向量夹角。
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