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