PCL range_Image_board_ectraction(深度图像边界提取）并在点云中可视化

最新推荐文章于 2023-06-29 23:46:09 发布
最新推荐文章于 2023-06-29 23:46:09 发布
阅读量2.2k 收藏 27
点赞数 3
分类专栏： PointCloud 文章标签： 深度图像边界提取 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/99175706
版权

前言：

先将点云数据生成深度图像，再对深度图像进行边界提取，而不是直接对点云进行边界提取！！！ 

基于法线估计的边界提取见https://blog.csdn.net/suyunzzz/article/details/99610120

代码： 

/* \author Bastian Steder */
#include <iostream>
#include <boost/thread/thread.hpp>//线程头文件
#include <pcl/range_image/range_image.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/range_image_border_extractor.h>
#include <pcl/console/parse.h>//解析命令行参数头文件
#include <pcl/visualization/common/float_image_utils.h>//保存深度图相关头文件
#include <pcl/io/png_io.h>//保存至图片的头文件
#include <pcl/filters/statistical_outlier_removal.h>//statiacl滤波
typedef pcl::PointXYZ PointType;
// --------------------
// -----参数-----
// --------------------
float angular_resolution = 0.5f;
pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
bool setUnseenToMaxRange = false;//设置不可见点为最大距离？
// --------------
// -----帮助-----
// --------------
void 
printUsage (const char* progName)
{
  std::cout << "\n\nUsage: "<<progName<<" [options] <scene.pcd>\n\n"
            << "Options:\n"
            << "-------------------------------------------\n"
            << "-r <float>   angular resolution in degrees (default "<<angular_resolution<<")\n"
            << "-c <int>     coordinate frame (default "<< (int)coordinate_frame<<")\n"
            << "-m           Treat all unseen points to max range\n"
            << "-h           this help\n"
            << "\n\n";
}
// --------------
// -----主函数----
// --------------
int 
main (int argc, char** argv)
{
  // --------------------------------------
  // -----解析命令行参数-----
  // --------------------------------------
  if (pcl::console::find_argument (argc, argv, "-h") >= 0)
  {
    printUsage (argv[0]);
    return 0;
  }
  if (pcl::console::find_argument (argc, argv, "-m") >= 0)
  {
    setUnseenToMaxRange = true;
    cout << "Setting unseen values in range image to maximum range readings.\n";
  }
  int tmp_coordinate_frame;//临时坐标系
  if (pcl::console::parse (argc, argv, "-c", tmp_coordinate_frame) >= 0)
  {
    coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame);//强制类型转换
    cout << "Using coordinate frame "<< (int)coordinate_frame<<".\n";
  }
  if (pcl::console::parse (argc, argv, "-r", angular_resolution) >= 0)
    cout << "Setting angular resolution to "<<angular_resolution<<"deg.\n";
  angular_resolution = pcl::deg2rad (angular_resolution);
  // ------------------------------------------------------------------
  // -----读取pcd文件，如果没有给出pcd文件则创建一个示例点云-----
  // ------------------------------------------------------------------
  pcl::PointCloud<PointType>::Ptr point_cloud_ptr (new pcl::PointCloud<PointType>);
  pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;//输入点云为point_cloud
  pcl::PointCloud<PointType>::Ptr point_filterd(new pcl::PointCloud<PointType>);//statical之后的点云存放在这里

  pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;
  Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());//传感器位姿
  std::vector<int> pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, "pcd");
  if (!pcd_filename_indices.empty ())
  {
    std::string filename = argv[pcd_filename_indices[0]];
    if (pcl::io::loadPCDFile (filename, point_cloud) == -1)
    {
      cout << "Was not able to open file \""<<filename<<"\".\n";
      printUsage (argv[0]);
      return 0;
    }
    scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0],                                                               point_cloud.sensor_origin_[1],                                                               point_cloud.sensor_origin_[2])) *Eigen::Affine3f (point_cloud.sensor_orientation_);
      std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+"_far_ranges.pcd";
    if (pcl::io::loadPCDFile(far_ranges_filename.c_str(), far_ranges) == -1)
      std::cout << "Far ranges file \""<<far_ranges_filename<<"\" does not exists.\n";
  }
  else//创建点云
  {
    cout << "\nNo *.pcd file given => Genarating example point cloud.\n\n";
    for (float x=-0.5f; x<=0.5f; x+=0.01f)
    {
      for (float y=-0.5f; y<=0.5f; y+=0.01f)
      {
        PointType point;  point.x = x;  point.y = y;  point.z = 2.0f - y;
        point_cloud.points.push_back (point);
      }
    }
    point_cloud.width = (int) point_cloud.points.size ();  point_cloud.height = 1;
  }

  //对输入的点云point_cloud进行statical_filter得到point_filterd
  pcl::StatisticalOutlierRemoval<PointType> sor;
  sor.setInputCloud(point_cloud_ptr);
  sor.setMeanK(100);
  sor.setStddevMulThresh(1.0);
  sor.filter(*point_filterd);
  pcl::io::savePCDFileASCII("point_filterd.pcd",*point_filterd);//保存滤波之后的点云
  std::cerr<<"point_filterd.pcd has been saved!"<<std::endl;
  // -----------------------------------------------
  // -----从点云创建深度图像-----
  // -----------------------------------------------
  float noise_level = 0.0;
  float min_range = 0.0f;
  int border_size = 1;
  boost::shared_ptr<pcl::RangeImage> range_image_ptr (new pcl::RangeImage);
  pcl::RangeImage& range_image = *range_image_ptr;   
  range_image.createFromPointCloud (*point_filterd, angular_resolution, pcl::deg2rad (360.0f), pcl::deg2rad (180.0f), scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);//生成深度图像range_image


//save depth picture
    float *ranges = range_image.getRangesArray();
    unsigned char* rgb_image = pcl::visualization::FloatImageUtils::getVisualImage(ranges,range_image.width,range_image.height);
    pcl::io::saveRgbPNGFile("saveRangeImageRGB.png",rgb_image,range_image.width,range_image.height);
    std::cerr << "Picture Saved!" << std::endl;

    //、、、、、、、、、、、、、、、8月10号晚22:13
  range_image.integrateFarRanges (far_ranges);//将数据并入到深度图像中
  if (setUnseenToMaxRange)
    range_image.setUnseenToMaxRange ();
  // --------------------------------------------
  // -----打开三维浏览器并添加点云-----
  // --------------------------------------------
  pcl::visualization::PCLVisualizer viewer ("3D Viewer");
  //滤波之后且带有边界提取的
  int v1(0);
  viewer.createViewPort(0.5,0,1,1,v1);
  viewer.setBackgroundColor (1, 1, 1);
  //viewer.addCoordinateSystem ();
  pcl::visualization::PointCloudColorHandlerCustom<PointType> point_cloud_color_handler (point_filterd, 0, 0, 0);
  viewer.addPointCloud (point_filterd, point_cloud_color_handler, "original point cloud",v1);
  //PointCloudColorHandlerCustom<pcl::PointWithRange>   range_image_color_handler (range_image_ptr, 150, 150, 150);
  //viewer.addPointCloud (range_image_ptr, range_image_color_handler, "range image");
  //viewer.setPointCloudRenderingProperties (PCL_VISUALIZER_POINT_SIZE, 2, "range image");
//纯输入原始点云的
  int v2(0);
  viewer.createViewPort(0,0,0.5,1,v2);
  viewer.setBackgroundColor(1,200,200);
  pcl::visualization::PointCloudColorHandlerCustom<PointType> color2(point_cloud_ptr, 0,0,0);
  viewer.addPointCloud(point_cloud_ptr,color2,"cloud_in",v2);
  // -------------------------
  // -----提取边界-----
  // -------------------------
  pcl::RangeImageBorderExtractor border_extractor (&range_image);//定义边界提取对对象，形参为一个RangeImage类型的指针
  pcl::PointCloud<pcl::BorderDescription> border_descriptions;
  border_extractor.compute (border_descriptions);//将边界信息存放到board_description


  // ----------------------------------
  // -----在三维浏览器中显示三组边界点集-----
  // ----------------------------------
  pcl::PointCloud<pcl::PointWithRange>::Ptr border_points_ptr(new pcl::PointCloud<pcl::PointWithRange>), veil_points_ptr(new pcl::PointCloud<pcl::PointWithRange>), shadow_points_ptr(new pcl::PointCloud<pcl::PointWithRange>);
  pcl::PointCloud<pcl::PointWithRange>& border_points = *border_points_ptr, & veil_points = * veil_points_ptr, & shadow_points = *shadow_points_ptr;//创建指针，类模板是PointCloud<pcl::PointCloud>类
  for (int y=0; y< (int)range_image.height; ++y)
  {
    for (int x=0; x< (int)range_image.width; ++x)//遍历深度图像中的每一个点
    {
      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__OBSTACLE_BORDER])
        border_points.points.push_back (range_image.points[y*range_image.width + x]);
      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__VEIL_POINT])
        veil_points.points.push_back (range_image.points[y*range_image.width + x]);
      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__SHADOW_BORDER])
        shadow_points.points.push_back (range_image.points[y*range_image.width + x]);
    }
  }
  //可视化三组边界到statical滤波之后的点云
  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> border_points_color_handler (border_points_ptr, 0, 255, 0);
  viewer.addPointCloud<pcl::PointWithRange> (border_points_ptr, border_points_color_handler, "border points",v1);
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "border points");
  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> veil_points_color_handler (veil_points_ptr, 255, 0, 0);
  viewer.addPointCloud<pcl::PointWithRange> (veil_points_ptr, veil_points_color_handler, "veil points",v1);
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "veil points");
  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> shadow_points_color_handler (shadow_points_ptr, 0, 0, 255);
  viewer.addPointCloud<pcl::PointWithRange> (shadow_points_ptr, shadow_points_color_handler, "shadow points",v1);
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "shadow points");


  //-------------------------------------
  // -----在深度图像中显示点集-----
  // ------------------------------------
  pcl::visualization::RangeImageVisualizer* range_image_borders_widget = NULL;
  range_image_borders_widget =
    pcl::visualization::RangeImageVisualizer::getRangeImageBordersWidget (range_image, -std::numeric_limits<float>::infinity (), std::numeric_limits<float>::infinity (), false, border_descriptions, "Range image with borders" );                     
  // -------------------------------------
  //--------------------
  // -----主循环-----
  //--------------------
  while (!viewer.wasStopped ())
  {
    range_image_borders_widget->spinOnce ();
    viewer.spinOnce ();
    pcl_sleep(0.01);
  }

    return 0;
}

可视化：

（左边为原输入的点云，右边为：进行statiacl滤波之后的点云<黑色>，与先生成深度图像，然后在对深度图像进行边界提取，然后将边界数据在点云视图中可视化的结果）

 

也可以只显示边界：

代码： 

   int v1(0);
    viewer.createViewPort(0.5,0,1,1,v1);//指定窗口大小
    viewer.setBackgroundColor (1, 1, 1);//背景颜色
 pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> border_points_color_handler (border_points_ptr, 0, 255, 0);//点云颜色管理器
  viewer.addPointCloud<pcl::PointWithRange> (border_points_ptr, border_points_color_handler, "border points",v1);//添加<pcl::PointWithRange>类型的点云
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "border points");//设置点云显示的参数

可视化：

（左边为原数据<未滤波>，右边为边界 ）

 

Tech沉思录
关注
  • 3
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
PCL_supervoxelclustering.zip_PCL 分割_supervoxel_点云_点云分割_点云超体素
09-20
用C++和PCL混合编程实现点云数据超体素分割并显示
main - 副本_resolution_pcl点云转深度图像_
10-02
可以实现将pcd点云数据转换程深度图像，通过设定”angular Resolution”的值设定分辨率（相邻像素之间的角度差）；通过设定”max Angle width”的值设定深度图像的水平角度范围；通过设定”max Angle Height”的值设定深度图像的水平角度范围。
PCL_Doc.rar_pcl_pcl 点云拼接_点云 特征_点云提取_特征库
07-15
PCL--Point Cloud Library，重点介绍点云库中的文件格式，文件显示，点云滤波，特征提取，特征描述，点云拼接，点云分割等
Kinect.zip_Kinect点云_opencv_pcl kinect_点云 PCL_由Kinect深度图到点云
07-14
由提供的Kinect深度图，得到点云。需要配置opencv和PCL环境
pcl.rar_PCL点云_pcl_点云 PCL_点云 读取
09-24
pcl 3d 文件格式转换，点云读取与显示
LIDAR-Segmentation-Based-on-Range-Image:这是一种基于距离图像的激光雷达分割方法
05-26
基于距离图像的激光雷达分段 这是一种基于距离图像的激光雷达分割方法。 方法 地面去除方法来自 扫描线补偿方法来自 距离图像分割方法来自 哈希表方法的灵感来自 分割过程的灵感来自 该阈值方法来自 更多详情： 代码 1.移除对代码引用。 我将其更改为多平面拟合。 2分割过程参考 用法 mkdir build cd build cmake .. make ./range forange.pcd 结果 线路补偿 生成范围图像 分割
PCL深度图像(1)
weixin_34050427的博客
02-28 591
目前深度图像的获取方法有激光雷达深度成像法，计算机立体视觉成像，坐标测量机法，莫尔条纹法，结构光法等等，针对深度图像的研究重点主要集中在以下几个方面，深度图像的分割技术 ，深度图像的边缘检测技术 ，基于不同视点的多幅深度图像的配准技术，基于深度数据的三维重建技术，基于三维深度图像的三维目标识别技术，深度图像的多分辨率建模和几何压缩技术等等，在PCL 中深度图像与点云最主要的区别在于  其近邻的检索...
3D点云处理：基于深度图的点云边缘提取（源码）
lddx_123456的博客
11-26 2310
通过深度图提取点云边缘。
PCL学习笔记(23)——深度图边界提取range_image_border_extraction
Christo的博客
09-20 624
源码 /* \author Bastian Steder */ #include <iostream> #include <boost/thread/thread.hpp> #include <pcl/range_image/range_image.h> #include <pcl/io/pcd_io.h> #include <pcl/visualization/range_image_visualizer.h> #include <pcl/
PCL RangeImage Border 提取
zxcvb036的博客
02-18 189
物体边界，这是物体最外层和阴影边界的可见点集；阴影边界，毗连于遮挡的背景上的点集；Veil点集，在被遮挡物边界和阴影边界之间的内插点，它们是由激光雷达获取的3D距离数据中的典型数据类型 #include<iostream> #include<pcl/range_image/range_image.h> #include<pcl/io/pcd_io.h> #include<pcl/visualization/range_image_visualizer.h> #
散乱点云数据快速边缘提取算法研究
09-17
对不具有拓扑结构的散乱点云数据，首先采用基于KD-tree的改进算法进行邻域点集的提取。然后用最小二乘法对提取出的邻域点集进行平面拟合，把邻域点集里的点投影到拟合平面上使其投影点具有拓扑结构，并得到投影点坐标数据。再对拟合平面上的投影点进行向量构建，找出两相邻向量之间的夹角。最后根据夹角的大小来确定边缘点，完成散乱点云数据的边缘快速提取。
PCL教程-可视化深度（距离）图像（range image）
DayDayUp
05-31 7392
原文链接：https://pcl.readthedocs.io/projects/tutorials/en/latest/range_image_visualization.html#range-image-visualization
【点云处理技术之PCL】range image——创建深度图像并可视化
非晚非晚的博客
01-04 4145
深度图像（Depth Images）也被称为距离图像（Range Image），是指将从图像采集器到场景中各点的距离值作为像素值的图像，它直接反应了景物可见表面的几何形状，利用它可以很方便的解决3D目标描述中的许多问题，深度图像经过点云变换可以计算为点云数据，有规则及有必要信息的点云数据可以反算为深度图像数据。不同视角获得深度图像的过程如下：
PCL学习五：Range Images-距离图像
qq_42994487的博客
05-05 846
PCL学习五：Range Images-距离图像
PCL点云学习六（边缘提取）
weixin_37781153的博客
04-22 7033
论文：Point Feature Extraction on 3D Range Scans Taking into Account Object Boundaries 论文阅读 摘简介 使用点云生成的距离图像 提取了前景到背景的边界 使用NARF特征，提出了3维数据的特征点和描述符提取方法 <1>:特征点需要所在平面稳定（具有稳定的法线） <2>:利用局部视图中的物体边界（因为物体边界是特殊的，边界的特征点和描述符会使整个过程更加具有鲁棒性），提出了一种边界提取方法 bor
2.3-深度图RangeImage
TimeRiverForever的博客
05-24 584
返回 >>>>>> PCL-3D点云总目录 深度图 目前深度图像的获取方法有激光雷达深度成像法，计算机立体视觉成像，坐标测量机法，莫尔条纹法，结构光法等等，针对深度图像的研究重点主要集中在以下几个方面， 深度图像的分割技术 深度图像的边缘检测技术 基于不同视点的多幅深度图像的配准技术 基于深度数据的三维重建技术 基于三维深度图像的三维目标识别技术 深度图像的多分辨率建模和几何压缩技术等等 在PCL 中深度图像与点云最主要的区别在于其近邻的检索方式的不同，并且可以互相转换。
基于Range Image的自主车辆激光雷达定位（ICRA 2021）
qq_29462849的博客
08-31 634
Chen X, Vizzo I, Läbe T, et al. Range Image-based LiDAR Localization for Autonomous Vehicles[J...
Range_image 可视化
最新发布
weixin_45824067的博客
06-29 286
数据结构：点云是一组三维点的集合，每个点包含位置信息（x、y、z坐标）和可能的其他属性（如法向量、颜色等）。范围图像则是将点云数据从三维空间映射到二维图像平面，每个像素的灰度值代表了对应点云中的点的测距信息。点云适用于需要完整的三维信息、高精度或密度的场景，而范围图像适用于快速处理、内存占用较小或者需要基于距离信息进行分析的场景。数据密度和精确性：点云可以提供更高的数据密度和更精确的空间信息，因为每个点都包含了具体的位置坐标。表示形式：点云以点为单位进行表示，每个点具有独立的位置和属性信息。
Range_Image深度图-2 PCL学习记录-10 Range_Image深度图（提取边缘信息并显示）
HarwardWu的博客
01-11 1018
从深度图中提取边界信息： 一. 这个例子，一共提取了三种边界信息： obstacle border：对象边界（属于对象的最外面的可见点） shadow border：阴影边界（在背景中与遮挡物相邻的点） Veil points：面纱点集（对象边界边界与阴影边界之间的内插点） 以下是一个典型的激光雷达获得的3D数据对应的点云图： 二. 注意事项 ...
qt pcl 可视化点云 setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_FONT_SIZE)修改点云尺寸后 并没有看出区别
05-28
使用`setPointCloudRenderingProperties`函数可以设置点云渲染属性，如点云大小、颜色等。其中`PCL_VISUALIZER_FONT_SIZE`属性用于设置字体大小。但是，如果只设置字体大小，是不会对点云的大小产生影响的。 如果您想改变点云的大小，可以使用`setPointCloudScale`函数，例如： ```cpp viewer->setPointCloudScale(1.5, 1.5, 1.5); //将点云的大小设置为原来的1.5倍 ``` 如果您想修改点云的点大小，可以使用`setPointCloudRenderingProperties`函数，例如： ```cpp viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud"); //将点云的点大小设置为2 ``` 需要注意的是，点云的大小和点的大小是不同的概念，可能会对您的问题产生混淆。

“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 7
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