PclSharp--泊松曲面重建

1、Possion重建是Kazhdan等2006年提出的网格重建方法。Possion重建的输入是点云及其法向量，输出是三维网格。Poisson有公开的源代码，PCL中也有Poisson的实现。

表面重建流程：

①、构建八叉树：采用的是自适应的空间网格划分的方法（根据点云的密度调整网格的深度），根据采样点集的位置定义八叉树，然后细分八叉树使每个采样点都落在深度为D的叶节点；
②、设置函数空间：对八叉树的每个节点设置空间函数 F，所有节点函数 F 的线性和可以表示向量场 V，基函数F采用了盒滤波的n维卷积；
③、创建向量场：均匀采样的情况下，假设划分的块是常量，通过向量场 V 逼近指示函数的梯度。采用三次条样插值（三线插值）；
④、求解泊松方程：方程的解采用拉普拉斯矩阵迭代求出；
⑥、提取等值面：为得到重构表面，需要选择阈值获得等值面；先估计采样点的位置，然后用其平均值进行等值面提取，然后用 Marching Cubes（移动立方体）算法得到等值面。
 

2、源码：

using PclSharp;
using PclSharp.Features;
using PclSharp.Helpers;
using PclSharp.IO;
using PclSharp.Search;
using PclSharp.Struct;
using PclSharp.Surface;
using System;

namespace PclSharpTest
{
    class Program
    {
        static void Main(string[] args)
        {
            Console.WriteLine($"C#--PclSharp算法库测试：");

            //读取点云数据
            var cloud = new PointCloudOfXYZ();
            using (var reader = new PCDReader())
                reader.Read(AppDomain.CurrentDomain.BaseDirectory + $"//pcd//rabbit.pcd", cloud);
           
            // 计算法向量
            var normals = new PointCloudOfNormal();//法线点云
            using (var ne = new NormalEstimationOfPointXYZAndNormal())//法线估计对象
            using (var tree = new KdTreeOfXYZ()) //创建用于最近邻搜索的KD-Tree
            {
                tree.SetInputCloud(cloud);
                //法线估计
                ne.SetSearchMethod(tree);
                ne.SetInputCloud(cloud);
                ne.KSearch = 20;// 使用当前点周围最近的20个点
                ne.Compute(normals);//计算法线,结果存储在normals中
            }

            //将点云与法线进行字段拼接
            PointCloudOfPointNormal cloud_with_normals = new PointCloudOfPointNormal(); //法向量点云对象
            //将点云和法线拼接一起
            PclHelper.concatenateFields(cloud, normals, cloud_with_normals);
            //创建搜索树
            KdTree<PointNormal> tree2 = new KdTreeOfXYZNormal();
            tree2.SetInputCloud(cloud_with_normals);

            //创建Poisson对象，并设置参数
            PoissonOfPointNormal pn = new PoissonOfPointNormal();
            pn.Confidence = false; //是否使用法向量的大小作为置信信息。如果false，所有法向量均归一化。
            pn.Degree = 2; //设置参数degree[1,5],值越大越精细，耗时越久。
            pn.Depth = 8; //树的最大深度，求解2^d x 2^d x 2^d立方体元。由于八叉树自适应采样密度，指定值仅为最大深度。
            pn.IsoDivide = 8; //用于提取ISO等值面的算法的深度
            pn.Manifold = false; //是否添加多边形的重心，当多边形三角化时。 设置流行标志，如果设置为true，则对多边形进行细分三角话时添加重心，设置false则不添加
            pn.OutputPolygons = false; //是否输出多边形网格（而不是三角化移动立方体的结果）
            pn.SamplesPerNode = 3.0f; //设置落入一个八叉树结点中的样本点的最小数量。无噪声，[1.0-5.0],有噪声[15.-20.]平滑
            pn.Scale = 1.25f; //设置用于重构的立方体直径和样本边界立方体直径的比率。
            pn.SolverDivide = 8; //设置求解线性方程组的Gauss-Seidel迭代方法的深度
            //pn.SetIndices();
            //设置搜索方法和输入点云
            pn.SetSearchMethod(tree2);
            pn.SetInputCloud(cloud_with_normals);

            //创建多变形网格，用于存储结果
            PolygonMesh mesh = new PolygonMesh();
            //执行重构
            pn.performReconstruction(mesh);

            using (var visualizer = new PclSharp.Vis.Visualizer("a window"))
            {
                //创建两个观察视点
                int v1 = 1;
                int v2 = 2;
                visualizer.CreateViewPort(0.0, 0.0, 0.5, 1.0, v1);
                visualizer.CreateViewPort(0.5, 0.0, 1.0, 1.0, v2);

                visualizer.SetBackgroundColor_ViewPort(0f, 0f, 0f, v1);
                visualizer.SetBackgroundColor_ViewPort(0.05f, 0f, 0f, v2);

                visualizer.AddPointCloud(cloud, "v1", v1);
                visualizer.AddPolygonMesh(mesh, "v2",v2);

                visualizer.SetPointCloudColor(0.5, 1, 1, "v1");//原始点云附色
                while (!visualizer.WasStopped)
                    visualizer.SpinOnce(100);
            }

            Console.ReadKey();
        }

    }
}

3、编译结果