【pcl入门教程分割系列】之ProgressiveMorphologicalFilter

简介

　　本篇博客介绍一种点云分割通过形态学滤波的方法，该算法来自于 A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LIDAR Data论文，主要是解决航空摄影测量时候，如何有效的分割出地平面的点云。关于该算法具体流程参见该博客传送门，讲解该算法过程还是比较清晰的。下面我们就简单跑一下Demo并且对比一下Approximate的方式与原始的性能差异。

Demo代码

#include <iostream>
#include <chrono>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/segmentation/progressive_morphological_filter.h>
#include <pcl/segmentation/approximate_progressive_morphological_filter.h>

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
	pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);
	pcl::PointIndicesPtr ground(new pcl::PointIndices);

	// Fill in the cloud data 
	pcl::PCDReader reader;

	// Replace the path below with the path where you saved your file 
	reader.read<pcl::PointXYZI>("apollo.pcd", *cloud);

	std::cerr << "Cloud before filtering: " << cloud->points.size() << std::endl;

	auto startTime = std::chrono::steady_clock::now();

	// Create the filtering object 
	// pcl::ProgressiveMorphologicalFilter<pcl::PointXYZI> pmf;
	pcl::ApproximateProgressiveMorphologicalFilter<pcl::PointXYZI> pmf;
	pmf.setInputCloud(cloud);
	pmf.setMaxWindowSize(20); // set window size
	pmf.setSlope(1.0f); // slope 
	pmf.setInitialDistance(0.5f);
	pmf.setMaxDistance(1.5f);
	pmf.extract(ground->indices);

	// Create the filtering object 
	pcl::ExtractIndices<pcl::PointXYZI> extract;
	extract.setInputCloud(cloud);
	extract.setIndices(ground);
	extract.filter(*cloud_filtered);

	std::cerr << "Ground cloud after filtering: " << std::endl;
	std::cerr << *cloud_filtered << std::endl;

	pcl::PCDWriter writer;
	writer.write<pcl::PointXYZI> ("apollo-utm_ground.pcd", *cloud_filtered, false);

	// Extract non-ground returns 
	extract.setNegative(true);
	extract.filter(*cloud_filtered);

	auto endTime      = std::chrono::steady_clock::now();
    auto ellapsedTime = std::chrono::duration_cast<std::chrono::milliseconds>(endTime - startTime);

	std::cout << "Ellapse-Time: " << ellapsedTime.count() << " milliseconds." << std::endl;
	std::cerr << "Object cloud after filtering: " << cloud_filtered->points.size() << std::endl;

	writer.write<pcl::PointXYZI>("apollo-utm_object.pcd", *cloud_filtered, false);

	return 0;
}

实验结果

上述两个激光雷达图为PMF滤波叠加效果，其中白色的为地面点，彩色的为非地面点。可以看出，PMF滤波效果还是不错的。 分割地面点 分割非地面点

算法耗时对比：

算法	原始点云个数	滤波后点云个数	算法耗时/milliseconds
Approximate-PMF	76053	43338	91
PMF	76053	42147	39318

很好奇为什么Approximate-PMF比原始PMF耗时降低这么多，它是怎么做的呢？

　　阅读pcl的ApproximateProgressiveMorphologicalFilter源码可以发现，该部分较原始的ProgressiveMorphologicalFilter增加多线程处理方式进行加速，通过使用OpenMP的并行编程思路来进行加速多核CPU处理方式。其中80%的代码几乎一致，只是在extract()函数里面使用并行加速的方式。

小结

　　上述近似Approximate-PMF算法的效果与耗时要远远低于原版本的PMF算法，当然效果上面要略逊色与原版PMF算法。对于离线处理对性能指标要求更高的遥感影像来说，PMF是首选。但是，针对实时性要求较高的无人驾驶来说，这个明显就不符合实际应用。就是Approximate-PMF的算法耗时都有些吃紧，希望还能出现更多的算法来加速场景落地。

参考

https://pcl-tutorials.readthedocs.io/en/latest/progressive_morphological_filtering.html#progressive-morphological-filtering
http://users.cis.fiu.edu/~chens/PDF/TGRS.pdf
https://blog.csdn.net/ambitiousruraldog/article/details/80268920