PCL点云使用贪婪三角化进行曲面重构

最新推荐文章于 2023-03-24 11:00:17 发布
最新推荐文章于 2023-03-24 11:00:17 发布
阅读量4k 收藏 68
点赞数 8
分类专栏： PointCloud 文章标签： PCL
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/suyunzzz/article/details/100586377
版权

一、PCL点云平滑和法线估计

题目：https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486705&idx=1&sn=ca333d7bb12b7c226270e98d0003a789&chksm=97d7e966a0a06070a8dba605966016d227d7a6cad786498070d9e1b8cea8747470a4840257fd&scene=21#wechat_redirect

/****************************
 * 题目：给定一个融合后的点云，已经对其进行下采样和滤波（代码已给）。
 * 请对其进行平滑（输出结果），然后计算法线，并讲法线显示在平滑后的点云上（提供截图）。
 *
* 本程序学习目标：
 * 熟悉PCL的平滑、法线计算、显示，为网格化做铺垫。
 *
 * 公众号：计算机视觉life。发布于公众号旗下知识星球：从零开始学习SLAM
 * 时间：2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>

typedef pcl::PointXYZRGB PointT;

int main(int argc, char** argv)
{

	// Load input file
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
    pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);
	if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1)
    {
        cout << "点云数据读取失败！" << endl;
    }

    std::cout << "Orginal points number: " << cloud->points.size() << std::endl;

    // 下采样，同时保持点云形状特征
    pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象
    downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象
    downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体
    downSampled.filter (*cloud_downSampled);           //执行滤波处理，存储输出
    std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;

    pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);

	// 统计滤波
	pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象
    statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云
    statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数
    statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差
    statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filtered

    std::cout << "cloud_filtered: " << cloud_filtered->size()<<std::endl;
    pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);
	// ----------------------开始你的代码--------------------------//
	// 请参考PCL官网实现以下功能
	// 对点云重采样
	pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);
	pcl::PointCloud<PointT> mls_point;
	pcl::MovingLeastSquares<PointT,PointT> mls;
	mls.setComputeNormals(false);
	mls.setInputCloud(cloud_filtered);
	mls.setPolynomialOrder(2);
	mls.setPolynomialFit(false);
	mls.setSearchMethod(treeSampling);
	mls.setSearchRadius(0.05);
	mls.process(mls_point);


    // 输出重采样结果
    cloud_smoothed = mls_point.makeShared();
    std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;

    //save cloud_smoothed
    pcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);
 

	// 法线估计
	pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;
	normalEstimation.setInputCloud(cloud_smoothed);
	pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
	normalEstimation.setSearchMethod(tree);
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	normalEstimation.setKSearch(10);
	normalEstimation.compute(*normals);
	std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;
	pcl::io::savePCDFileASCII("normals.pcd",*normals);

	// ----------------------结束你的代码--------------------------//
	// 显示结果
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));
    viewer->setBackgroundColor (0, 0, 0);
    pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//color
    viewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");
    viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");
    viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");

    viewer->initCameraParameters ();

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

    return 0;
}

1、控制法线显示的数目：

    viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");

   10，就是每10个法线显示一个。

   0.1，就是每个法线的长度。

2、获取PointCloud的Fields

pcl::getFieldsList(*normals)

二、贪婪三角化投影曲面重建

计算流程：点云输入 --> 下采样 --> 统计滤波去除离群点 --> mls移动最小二乘法进行平滑处理 --> 对平滑后的点云进行法线估计(有向点云) --> 将法线和平滑后的点云的Fields拼接在一起 --> 贪婪三角化 -->显示输出

/****************************
 * 题目：给定一个融合后的点云，已经对其进行下采样和滤波（代码已给）。
 * 请对其进行平滑（输出结果），然后计算法线，并讲法线显示在平滑后的点云上（提供截图）。
 *
* 本程序学习目标：
 * 熟悉PCL的平滑、法线计算、显示，为网格化做铺垫。
 *
 * 公众号：计算机视觉life。发布于公众号旗下知识星球：从零开始学习SLAM
 * 时间：2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>

#include <pcl/surface/gp3.h>

typedef pcl::PointXYZ PointT;

int main(int argc, char** argv)
{

	// Load input file
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
    pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);
	if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1)
    {
        cout << "点云数据读取失败！" << endl;
    }

    std::cout << "Orginal points number: " << cloud->points.size() << std::endl;

    // 下采样，同时保持点云形状特征
    pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象
    downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象
    downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体
    downSampled.filter (*cloud_downSampled);           //执行滤波处理，存储输出
    std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;

    pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);

	// 统计滤波
	pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象
    statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云
    statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数
    statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差
    statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filtered

    std::cout << "cloud_statical_filtered: " << cloud_filtered->size()<<std::endl;
    pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);
	// ----------------------开始你的代码--------------------------//
	// 请参考PCL官网实现以下功能
	// 对点云重采样
	pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);
	pcl::PointCloud<PointT> mls_point;
	pcl::MovingLeastSquares<PointT,PointT> mls;
	mls.setComputeNormals(false);
	mls.setInputCloud(cloud_filtered);
	mls.setPolynomialOrder(2);
	mls.setPolynomialFit(false);
	mls.setSearchMethod(treeSampling);
	mls.setSearchRadius(0.05);
	mls.process(mls_point);


    // 输出重采样结果
    cloud_smoothed = mls_point.makeShared();
    std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;

    //save cloud_smoothed
    pcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);
 

	// 法线估计
	pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;
	normalEstimation.setInputCloud(cloud_smoothed);
	pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
	normalEstimation.setSearchMethod(tree);
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	normalEstimation.setKSearch(10);
	normalEstimation.compute(*normals);
	std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;
	pcl::io::savePCDFileASCII("normals.pcd",*normals);

	//Triangle Projection
	pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
	pcl::concatenateFields(*cloud_smoothed,*normals,*cloud_with_normals);
	std::cout<<"cloud_with_normals fields: "<<pcl::getFieldsList(*cloud_with_normals)<<std::endl;

	pcl::io::savePCDFileASCII("cloud_with_normals.pcd",*cloud_with_normals);

	pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
	tree2->setInputCloud(cloud_with_normals);

	pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;
	pcl::PolygonMesh triangles;

	gp3.setSearchRadius(0.1);
	gp3.setMu(2.5);
	gp3.setMaximumNearestNeighbors(52);

	gp3.setMaximumAngle(2*M_PI/3);
	gp3.setMinimumAngle(M_PI/18);

	gp3.setMaximumSurfaceAngle(M_PI/4);
	gp3.setNormalConsistency(false);

	gp3.setInputCloud(cloud_with_normals);
	gp3.setSearchMethod(tree2);
	gp3.reconstruct(triangles);


	// ----------------------结束你的代码--------------------------//
	// 显示结果
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));
    viewer->setBackgroundColor (0, 0, 0);
/*
    pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//color
    viewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");
    viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");
    viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");
*/
    viewer->addPolygonMesh(triangles,"GPTriangle");
    viewer->addText("GPTriangle",0,0,"GPTriangle");
    viewer->initCameraParameters ();

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

    return 0;
}

参考：https://cloud.tencent.com/developer/article/1436518

可视化：

 重建效果图2：

几个需要注意的地方：

1、贪婪三角化算法必须要求点云是平滑的，且密度变化均匀（这也是上一步为什么要做一个平滑处理）。

2、 贪婪投影三角化要求输入的点云必须是有向点云，所以对平滑后的点云进行法向量估计，并且将其Fields拼接在一起

3、拼接Fields的时候函数

pcl::concatenateFields
只能接受PointXYZ类型的点云数据，对于平滑后的带有RGB信息的点云要将其以PointXYZ的类型读入。

4、重建结果显示是函数

viewer->addPolygonMesh(triangles,"GPTriangle");

 

Tech沉思录
关注
  • 8
    点赞
  • 踩
  • 68
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
PCL 点云离群值去除（StatisticalOutlierRemoval过滤器）
weixin_43896283的博客
05-01 183
StatisticalOutlierRemoval过滤器是一种常用的点云滤波方法，它的作用是去除点云中的异常离群点。该滤波器基于统计学原理，通过计算每个点与其邻近点的统计参数，判断该点是否为离群点。
PCL 常用小知识
zfjBIT的专栏
03-05 612
时间计算 pcl中计算程序运行时间有很多函数，其中利用控制台的时间计算 首先必须包含头文件#include <pcl/console/time.h> 1 2 3 4 5 6 #include <pcl/console/time.h> pcl::console::TicToct...
基于PCL点云的三角形网格孔洞修补
07-22
C++语言，在PCL环境下的 三角形网格孔洞修复。主要针对曲面重建之后，模型出现了大量孔洞，需要修复。修复步骤很简单，就是基于最小角的剖分修复。
PCL三维重建
taifyang的博客
01-12 1521
【代码】PCL三维重建。
surface matching结果验证
qq_43996672的博客
04-12 1038
最近在仿真PPF算法，通过配置opencv-contrib，然后调用sample里面的surface-matcing实例代码，仿真实现surface matching的结果。再配置PCL库对结果进行验证观察。 采用的场景为：opencv43\opencv_contrib-4.3.0\modules\surface_matching\samples\data\rs1_normals.ply 采用的模型为：opencv43\opencv_contrib-4.3.0\modules\surface_match
PCL入门系列 —— StatisticalOutlierRemoval 点云统计滤波
工业机器视觉
06-13 980
基于当前点与邻域点数据的距离统计信息进行离群点判定并进行剔除，当噪声数据的空间点密度与有效区域的点密度差距较为明显时会有不错的滤波效果；
【毕业课题学习】6DOF物体识别及抓取-PCL点云处理（五）---预处理之滤波
qq_39139736的博客
04-14 2346
【毕业课题学习】6DOF物体识别及抓取-PCL点云处理（五）—预处理之滤波 最近在做pipeline的细化工作，看过我前面博客的应该知道官方教程给的程序，预处理部分就只有个uniform_sample均匀采样，处理后的点就是Key_points关键点，属实太官方。对于不同用途和类别的点云，由于相机产生的各种误差（误点），理所应当以不同的方式来进行处理、修建点云。由此，这节以滤波为主题，介绍几个常用...
【PCL学习笔记】点云处理常用的库和API（PCL库+Eigen）
Will_Ye的博客
07-28 2823
最近开始学习点云处理，发现要使用的PCL库和Eigen库有很多API都没不懂，现在边啃边记录一下。
基于PCL的点云三角网格化
11-24
在已经提前将大量的散乱点云预处理完成的条件下，将其进行进一步的三角网格化，主要利用三角贪婪算法，该算法中引用的点云数据都是自己用扫描设备获取的
pcd格式点云归一化的C++实现，借助PCL点云库
03-20
PCL（Point Cloud Library）是一个常用的点云处理库，提供了许多点云处理的功能，其中包括点云归一化。 点云归一化是将点云数据转换为统一的坐标系，使得不同点云之间可以进行有效的比较和配准。点云归一化的意义...
使用Qt显示PCL点云
最新发布
06-02
使用Qt显示PCL点云
source_人脸点云_点云PCL_PCL点云_pcl_点云PCL_
10-03
PCL点云处理代码，能够得到人脸的PCL图。
PCL教程-点云配准之成对逐步配准（两两配准）
DayDayUp
09-22 5720
/* \author Radu Bogdan Rusu * adaptation Raphael Favier*/ #include <boost/make_shared.hpp>//boost指针 #include <pcl/point_types.h>//点类型定义 #include <pcl/point_cloud.h>//点云类 #include <pcl/point_representation.h>//点表示 #include <pcl/.
PCL 模版匹配
m0_51204289的博客
09-18 807
PCL中模版匹配算法的简单使用案例
三维重建技术综述
知识搬运工的博客
06-15 6万+
三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程，把真实场景刻画成符合计算机逻辑表达的数学模型。这种模型可以对如文物保护、游戏开发、建筑设计、临床医学等研究起到辅助的作用。 三维重建技术的重点在于如何获取目标场景或物体的深度信息。在景物深度信息已知的条件下，只需要经过点云数据的配准及融合，即可实现景物的三维重建。基于三维重建模型的深层次应用研究也可以随即展...
PCL 法向量夹角剔除错误匹配点对
热门推荐
点云侠的博客
03-23 40万+
实现了一种简单的基于对应点法线角度的对应关系去除方法。
3D点云模板匹配 PCL例程
qq_42222110的博客
12-09 1569
Doc 来自PCL官方文档 Doc 来自PCL官方文档 #include <limits> #include <fstream> #include <vector> #include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/io/pcd_io.h> #include <pcl/kdtree/
PCL编程->基于PFH特征匹配测试
Rana专栏
08-21 1808
基于PFH特征匹配的测试函数如下： void algoritmpfh() { pcl::PointCloud::Ptr target(new pcl::PointCloud); pcl::PointCloud::Ptr ptr1(new pcl::PointCloud); //pcl::io::loadPCDFile("table_scene_mug_stereo_textured.pcd
学习PCL库：PCL库中surface模块
点云PCL
03-24 2005
公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。未经作者允许请勿转载，欢迎各位同学积极分享和交流。surface模块介绍PCL库中的surface模块提供了各种表面重建和拟合算法，根据任务的不同包含一下内容：可以实现外壳、网格表示的表面重建，带有法线的平滑/重采样表面等功能。如果点云有噪声或由多个未完全对...
pcl点云库b样条曲面
10-26
使用pcl点云库进行b样条曲面处理的步骤大致如下：首先，通过传入点云数据和控制点的坐标，创建一个b样条曲面对象。然后，通过调用相应的函数，对曲面进行插值、重建或拟合操作。最后，可以根据需求对生成的曲面进行...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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

打赏作者

Tech沉思录

点赞加投币，感谢您的资瓷~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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