基于最小二乘法估计点云的曲面法向量

最新推荐文章于 2024-03-12 00:15:00 发布
最新推荐文章于 2024-03-12 00:15:00 发布
阅读量1.9k 收藏 13
点赞数
分类专栏： 点云 三维重建 文章标签： PCL 点云 曲面法向量 最小二乘法
转自： https://blog.csdn.net/lming_08/article/details/21171491
之前对PCL库计算三维点云数据的曲面法向量有过介绍， 点云的曲面法向量估计，PCL库是采用主成份分析方法的，近几天通过理论推导发现最小二乘法应该也能计算曲面法向量。首先介绍下其理论知识。
估计某个点的法向量，可以类似于 点云的曲面法向量估计，将该点附近K近邻的点近似在一个局部平面上，之后就通过最小二乘法拟合该平面方程，通过高等数学空间解析几何知识可知，若平面方程为A*x + B*y + C*z + D = 0，则平面法向量就是(A, B, C)；从而求出法向量。

这里将平面方程转化为z = A*x + B*y + C，最小二乘法推导过程如下：



汗！图片手机照的，没带数据线，通过QQ传到网上后，图片质量降低！回去再替换。

根据以上推导出的最终结果，基于PCL库和Eigen库编程实现法向量估计：
原PCL库中法向量估计相关类为NormalEstimation，这里往PCL源码pcl_features工程下添加normal_esti_leastsquare.h、normal_esti_leastsquare.hpp、normal_esti_leastsquare.cpp文件，相关类名NormalEstimation2。
主要代码如下所示：

[cpp]  view plain  copy
  1.               for (size_t idx = 0; idx < indices_->size (); ++idx)  
  2. {  
  3.     if (this->searchForNeighbors ((*indices_)[idx], search_parameter_, nn_indices, nn_dists) == 0)  
  4.     {  
  5.         output.points[idx].normal[0] = output.points[idx].normal[1] = output.points[idx].normal[2] = output.points[idx].curvature = std::numeric_limits<float>::quiet_NaN ();  
  6.   
  7.         output.is_dense = false;  
  8.         continue;  
  9.     }  
  10.   
  11.     computePointNormal (*surface_, nn_indices,  
  12.         output.points[idx].normal[0], output.points[idx].normal[1], output.points[idx].normal[2], output.points[idx].curvature);  
  13.   
  14.     //flipNormalTowardsViewpoint (input_->points[(*indices_)[idx]], vpx_, vpy_, vpz_,  
  15.     //  output.points[idx].normal[0], output.points[idx].normal[1], output.points[idx].normal[2]);  
  16.   
  17. }  
上述代码与NormalEstimation类的对应代码相差无几，都是采用K近邻法获取每个点附近的点，然后基于这些点计算该点的法向量。
本文的最小二乘法估计法向量，主要在computePointNormal()实现：

[cpp]  view plain  copy
  1. /** \brief 计算点的法向量，曲率暂时不求 
  2. * \param[in] 输入点云 
  3. * \param[in] 给定点的索引下标  
  4. * \param[out] 法向量x分量  
  5. * \param[out] 法向量y分量   
  6. * \param[out] 法向量z分量   
  7. * \param[out] 曲率  
  8. */  
  9. inline void  
  10.     computePointNormal (const pcl::PointCloud<PointInT> &cloud, const std::vector<int> &indices, float &nx, float &ny, float &nz, float &curvature)  
  11.     {  
  12.         u_matrix_.resize(k_ , 3);  
  13.   
  14.         Eigen::VectorXf z_vec(k_);  
  15.         for (size_t i = 0, ind_num = indices.size(); i < ind_num; ++i)  
  16.         {  
  17.             size_t indice = indices[i];  
  18.   
  19.             u_matrix_(i, 0) = cloud.points[indice].x;  
  20.             u_matrix_(i, 1) = cloud.points[indice].y;  
  21.             u_matrix_(i, 2) = 1;  
  22.   
  23.             z_vec[i] = cloud.points[indice].z;  
  24.         }  
  25.   
  26.         EIGEN_ALIGN16 Eigen::Matrix3f utu_matrix = u_matrix_.transpose() * u_matrix_;  
  27.         EIGEN_ALIGN16 Eigen::Vector3f solve_vec = utu_matrix.inverse() * u_matrix_.transpose() * z_vec;  
  28.         EIGEN_ALIGN16 Eigen::Vector3f normal_vec(solve_vec[0], solve_vec[1], -1);  
  29.             
  30.             normal_vec /= normal_vec.squaredNorm();    //归一化为单位向量  
  31.         nx = normal_vec[0];  
  32.         ny = normal_vec[1];  
  33.         nz = normal_vec[2];  
  34.     }  

编写完以上代码后，编译PCL源码，生成新的pcl_features_debug.lib和pcl_features_debug.dll库；然后编写测试程序，并引用pcl_features_debug.lib和pcl_features_debug.dll库。
这里构造一个平面方程为x + y + z = 1的平面：
[cpp]  view plain  copy
  1. #include <iostream>  
  2. #include <pcl/point_types.h>  
  3. #include <pcl/io/pcd_io.h>  
  4. #include <pcl/features/normal_esti_leastsquare.h>  
  5.   
  6. using namespace std;  
  7. int main(int argc, char* argv[])  
  8. {  
  9.         pcl::PointCloud<pcl::PointXYZ>::Ptr inCloud(new pcl::PointCloud<pcl::PointXYZ>);    
  10.     pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);  
  11.   
  12.     for (float x = -5.0; x <= 5.0; x += 0.25)    
  13.     {    
  14.         for (float y = -5.0; y <= 5.0; y += 0.25)    
  15.         {    
  16.             pcl::PointXYZ cloud;    
  17.   
  18.             cloud.x = x;    
  19.             cloud.y = y;    
  20.             cloud.z = 1 - x - y;    
  21.             inCloud->push_back(cloud);    
  22.         }    
  23.     }    
  24.   
  25.     tree.reset (new pcl::search::KdTree<pcl::PointXYZ> (false));  
  26.     tree->setInputCloud (inCloud);  
  27.   
  28.     // Normal estimation  
  29.     pcl::NormalEstimation2<pcl::PointXYZ, pcl::Normal> ne2;  
  30.     pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal> ());  
  31.     ne2.setInputCloud (inCloud);      
  32.     ne2.setSearchMethod (tree);  
  33.     ne2.setKSearch (20);  
  34.     ne2.compute (*normals);  
  35.   
  36.     pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);    
  37.     pcl::concatenateFields(*inCloud, *normals, *cloud_with_normals);    
  38.   
  39.     pcl::io::savePCDFile("plane_cloud_out.pcd", *cloud_with_normals);  
  40. }  
查看生成的plane_cloud_out.pcd文件内容，

[cpp]  view plain  copy
  1. # .PCD v0.7 - Point Cloud Data file format  
  2. VERSION 0.7  
  3. FIELDS x y z intensity normal_x normal_y normal_z curvature  
  4. SIZE 4 4 4 4 4 4 4 4  
  5. TYPE F F F F F F F F  
  6. COUNT 1 1 1 1 1 1 1 1  
  7. WIDTH 1681  
  8. HEIGHT 1  
  9. VIEWPOINT 0 0 0 1 0 0 0  
  10. POINTS 1681  
  11. DATA ascii  
  12. -5 -5 11 0 -0.33333454 -0.3333388 -0.33334672 -1.0737418e+008  
  13. -5 -4.75 10.75 0 -0.33333459 -0.33333915 -0.33334744 -1.0737418e+008  
  14. -5 -4.5 10.5 0 -0.33333349 -0.33333221 -0.33333147 -1.0737418e+008  
  15. -5 -4.25 10.25 0 -0.33333686 -0.33333236 -0.33333844 -1.0737418e+008  
  16. -5 -4 10 0 -0.33332857 -0.33334196 -0.33334109 -1.0737418e+008  
  17. -5 -3.75 9.75 0 -0.33333248 -0.33333272 -0.33333042 -1.0737418e+008  
  18. -5 -3.5 9.5 0 -0.33333799 -0.33333102 -0.33333802 -1.0737418e+008  
  19. -5 -3.25 9.25 0 -0.33333382 -0.33333775 -0.33334321 -1.0737418e+008  
  20. -5 -3 9 0 -0.33334044 -0.33332446 -0.3333298 -1.0737418e+008  
  21. -5 -2.75 8.75 0 -0.33333328 -0.33333099 -0.3333286 -1.0737418e+008  
  22. -5 -2.5 8.5 0 -0.33333698 -0.33332804 -0.33333004 -1.0737418e+008  
  23. -5 -2.25 8.25 0 -0.33332828 -0.33334482 -0.33334616 -1.0737418e+008  
  24. -5 -2 8 0 -0.33332947 -0.33334234 -0.33334357 -1.0737418e+008  
  25. -5 -1.75 7.75 0 -0.33333299 -0.3333362 -0.33333835 -1.0737418e+008  
  26. -5 -1.5 7.5 0 -0.33333793 -0.33332565 -0.33332711 -1.0737418e+008  
  27. -5 -1.25 7.25 0 -0.33333275 -0.33333525 -0.333336 -1.0737418e+008  
  28. -5 -1 7 0 -0.33333316 -0.33333406 -0.33333445 -1.0737418e+008  
  29. -5 -0.75 6.75 0 -0.33333361 -0.33333287 -0.3333329 -1.0737418e+008  
  30. -5 -0.5 6.5 0 -0.33333489 -0.33332995 -0.33332968 -1.0737418e+008  
  31.   
  32. ...  
  33. ...  
  34. ...  
可以看出各点的法向量近似与(1, 1, 1)共线，这与从平面方程x + y + z = 1中得出的平面法向量保持一致！可以看出计算效果非常理想。
尽管上述结果不错，但是如果修改下平面点云的构造，

[cpp]  view plain  copy
  1.        //减小步长，由0.25减到0.1  
  2.        for (float x = -5.0; x <= 5.0; x += 0.1)    
  3. {    
  4.     for (float y = -5.0; y <= 5.0; y += 0.1)    
  5.     {    
  6.         pcl::PointXYZ cloud;    
  7.   
  8.         cloud.x = x;    
  9.         cloud.y = y;    
  10.         cloud.z = 1 - x - y;    
  11.         inCloud->push_back(cloud);    
  12.     }    
  13. }    
再次执行测试程序，生成plane_cloud_out.pcd文件内容，
[cpp]  view plain  copy
  1. # .PCD v0.7 - Point Cloud Data file format  
  2. VERSION 0.7  
  3. FIELDS x y z intensity normal_x normal_y normal_z curvature  
  4. SIZE 4 4 4 4 4 4 4 4  
  5. TYPE F F F F F F F F  
  6. COUNT 1 1 1 1 1 1 1 1  
  7. WIDTH 10201  
  8. HEIGHT 1  
  9. VIEWPOINT 0 0 0 1 0 0 0  
  10. POINTS 10201  
  11. DATA ascii  
  12. -5 -5 11 0 -0.36251435 -0.33222172 -0.40937933 -1.0737418e+008  
  13. -5 -4.9000001 10.9 0 -0.2965593 -0.36960894 -0.34049508 -1.0737418e+008  
  14. -5 -4.8000002 10.8 0 -0.30257833 -0.32366723 -0.26829782 -1.0737418e+008  
  15. -5 -4.7000003 10.700001 0 -0.32577419 -0.35322508 -0.36178556 -1.0737418e+008  
  16. -5 -4.6000004 10.6 0 -0.34574831 -0.31297931 -0.31971669 -1.0737418e+008  
  17. -5 -4.5000005 10.5 0 -0.3243891 -0.34880957 -0.34800133 -1.0737418e+008  
  18. -5 -4.4000006 10.400001 0 -0.31732634 -0.34978729 -0.33582667 -1.0737418e+008  
  19. -5 -4.3000007 10.300001 0 -0.32080838 -0.33909816 -0.32085085 -1.0737418e+008  
  20. -5 -4.2000008 10.200001 0 -0.3384032 -0.33768722 -0.35353974 -1.0737418e+008  
  21. -5 -4.1000009 10.1 0 -0.34146273 -0.31813207 -0.32056987 -1.0737418e+008  
  22. -5 -4.000001 10.000001 0 -0.3408044 -0.32376921 -0.32963032 -1.0737418e+008  
  23. -5 -3.900001 9.9000015 0 -0.29470387 -0.359045 -0.31496942 -1.0737418e+008  
  24. -5 -3.8000011 9.8000011 0 -0.35997671 -0.31077951 -0.34562108 -1.0737418e+008  
  25. -5 -3.7000012 9.7000008 0 -0.32181746 -0.33056432 -0.30722877 -1.0737418e+008  
  26. -5 -3.6000013 9.6000013 0 -0.32655463 -0.3454251 -0.34494016 -1.0737418e+008  
  27. -5 -3.5000014 9.5000019 0 -0.35073376 -0.32577616 -0.35558489 -1.0737418e+008  
  28. -5 -3.4000015 9.4000015 0 -0.34808326 -0.32221347 -0.3418338 -1.0737418e+008  
  29. -5 -3.3000016 9.3000011 0 -0.3261568 -0.33644432 -0.32556668 -1.0737418e+008  
  30. ...  
  31. ...  
  32. ...  
可以看出每个点的法向量不再近似共线于(1, 1, 1)。原因暂时还不清楚，个人推测为最小二乘法拟合平面适用于稀疏点集，密集点云并不适合， 原因可能是密集点时u_matrix_

各行向量非常近似于平行，导致行列式为0，无法求得正确的逆矩阵，而以上计算过程中是用到了逆矩阵；

【2014-03-16】今天偶然看到一篇文章介绍最小二乘法的缺陷，http://www.cnblogs.com/jerrylead/archive/2011/08/21/2148625.html

如果样例数m相比特征数n少（m<n）或者特征间线性相关时，由于clip_image002（n*n矩阵）的秩小于特征个数（即clip_image002[1]不可逆）。因此最小二乘法clip_image004就会失效。

可以看出来，样本矩阵的x、y、z三个列向量近乎于共线，当然也近乎于线性相关，如果真是这样，那么这里最小二乘法并不适用！

真实原因有哪位朋友知道的话望告知！


虽然点云密集时，计算出的法向量不够准，但经过实践发现，增加点K近邻的样本个数(即增加K邻近算法中的K值，本例中为k_)，计算出的法向量是可以近似共线于(1,1,1)。

个人分析，这里增加点近邻的样本个数，实际上也是减小样本矩阵的x、y、z三个列向量的共线程度，所以增加点近邻的样本个数后，就可以使用最小二乘法了。


对于稀疏点云，以上拟合方式大多数情况下是可以的，但若平面与Z轴平行，则不可行，因为此时平面方程是无法转化为z = A*x + B*y + C形式。下面针对平面方程最原始的一般式进行推导，过程如下：



 
注意，这里U^T*U是一个4*4的方阵，求齐次线性方程组的非零解，问题可以转换为求一个系数为3*3的方阵对应的齐次线性方程组，

类似地，可以将以上结论延伸至系数矩阵为4*4方阵对应的齐次线性方程组：


由此得到齐次线性方程组的非零解。

采用该方法，编程实现：

[cpp]  view plain  copy
  1.  /** \brief 计算点的法向量，曲率暂时不求 
  2.    * \param[in] 输入点云 
  3.    * \param[in] 给定点的索引下标  
  4.    * \param[out] 法向量x分量  
  5.    * \param[out] 法向量y分量   
  6.    * \param[out] 法向量z分量   
  7.    * \param[out] 曲率  
  8.    */  
  9. inline void  
  10.  computePointNormal (const pcl::PointCloud<PointInT> &cloud, const std::vector<int> &indices, float &nx, float &ny, float &nz, float &curvature)  
  11. {  
  12.       Eigen::MatrixX4f mat_ext(k_, 4);  
  13.  for (size_t i = 0, ind_num = indices.size(); i < ind_num; ++i)  
  14.  {  
  15.   size_t indice = indices[i];  
  16.   
  17.   mat_ext(i, 0) = cloud.points[indice].x;  
  18.   mat_ext(i, 1) = cloud.points[indice].y;  
  19.   mat_ext(i, 2) = cloud.points[indice].z;  
  20.   mat_ext(i, 3) = 1;  
  21.  }  
  22.   
  23.  Eigen::MatrixXf mat_mult_ext = mat_ext.transpose() * mat_ext;    //mat是3*k_矩阵，mat_ext是k_*4矩阵  
  24.  // A*x = b, A.Row(0).cross(A.Row(1)) = eigenvector(0);  
  25.  Eigen::Vector4f row_vec[3];  
  26.  row_vec[0] = mat_mult_ext.row(0);  
  27.  row_vec[1] = mat_mult_ext.row(1);  
  28.  row_vec[2] = mat_mult_ext.row(2);  
  29.  Eigen::Matrix3f i_cofactor, j_cofactor, k_cofactor, l_cofactor;    //计算叉积时，i、j、k、l分量的代数余子式  
  30.   
  31.  for (size_t row_index = 0; row_index < 3; ++row_index)  
  32.  {  
  33.   for (size_t col_index = 0; col_index < 3; ++col_index)  
  34.   {  
  35.       i_cofactor(row_index , col_index) = row_vec[row_index][col_index + 1];  
  36.   
  37.       if (col_index < 1)  
  38.       {  
  39.           j_cofactor(row_index , col_index) = row_vec[row_index][col_index];  
  40.       }   
  41.       else  
  42.       {  
  43.           j_cofactor(row_index , col_index) = row_vec[row_index][col_index + 1];  
  44.       }  
  45.   
  46.       if (col_index < 2)  
  47.       {  
  48.           k_cofactor(row_index , col_index) = row_vec[row_index][col_index];  
  49.       }   
  50.       else  
  51.       {  
  52.           k_cofactor(row_index , col_index) = row_vec[row_index][col_index + 1];  
  53.       }  
  54.   
  55.       l_cofactor(row_index , col_index) = row_vec[row_index][col_index];  
  56.   }  
  57.  }  
  58.   
  59.  float i_dim = 0, j_dim = 0, k_dim = 0, l_dim = 0;  
  60.  i_dim = i_cofactor.determinant();  
  61.  j_dim = j_cofactor.determinant();  
  62.  k_dim = k_cofactor.determinant();  
  63.  l_dim = l_cofactor.determinant();  
  64.    
  65.  Eigen::Vector3f coeff_vec(i_dim, -j_dim, k_dim);  
  66.  float len = coeff_vec.squaredNorm();  
  67.  coeff_vec /= len;  
  68.   
  69.  nx = coeff_vec[0];  
  70.  ny = coeff_vec[1];  
  71.  nz = coeff_vec[2];  
  72. }  
采用以上方法实现后，编译PCL源码得到对应的库文件，然后测试程序引用，执行后生成的plane_cloud_out.pcd文件内容为：

[cpp]  view plain  copy
  1. # .PCD v0.7 - Point Cloud Data file format  
  2. VERSION 0.7  
  3. FIELDS x y z intensity normal_x normal_y normal_z curvature  
  4. SIZE 4 4 4 4 4 4 4 4  
  5. TYPE F F F F F F F F  
  6. COUNT 1 1 1 1 1 1 1 1  
  7. WIDTH 1681  
  8. HEIGHT 1  
  9. VIEWPOINT 0 0 0 1 0 0 0  
  10. POINTS 1681  
  11. DATA ascii  
  12. -5 -5 11 0 0.0034180761 0.003418348 0.0033811682 -1.0737418e+008  
  13. -5 -4.75 10.75 0 0.0034180761 0.003418348 0.0033811682 -1.0737418e+008  
  14. -5 -4.5 10.5 0 0.0036986405 0.0036108212 0.0036840038 -1.0737418e+008  
  15. -5 -4.25 10.25 0 0.0041074576 0.0039950516 0.0042172931 -1.0737418e+008  
  16. -5 -4 10 0 0.0040342622 0.004034651 0.0041443072 -1.0737418e+008  
  17. -5 -3.75 9.75 0 0.004033945 0.0041615977 0.0040161251 -1.0737418e+008  
  18. -5 -3.5 9.5 0 0.0041075312 0.0040329853 0.0041812863 -1.0737418e+008  
  19. -5 -3.25 9.25 0 0.0040594526 0.0040964941 0.0040962985 -1.0737418e+008  
  20. -5 -3 9 0 0.0040834057 0.0040837992 0.0041210586 -1.0737418e+008  
  21. -5 -2.75 8.75 0 0.0041877129 0.0040933029 0.0041687908 -1.0737418e+008  
  22. -5 -2.5 8.5 0 0.0040593483 0.0040955977 0.0040955977 -1.0737418e+008  
  23. -5 -2.25 8.25 0 0.0040110592 0.0041013826 0.0040649828 -1.0737418e+008  
  24. -5 -2 8 0 0.0040473556 0.0040835626 0.0040469691 -1.0737418e+008  
  25. -5 -1.75 7.75 0 0.0040717809 0.0040713926 0.0040715868 -1.0737418e+008  
  26. -5 -1.5 7.5 0 0.004047934 0.0040837578 0.0040467749 -1.0737418e+008  
  27. -5 -1.25 7.25 0 0.0040838025 0.004065339 0.0040841922 -1.0737418e+008  
  28. -5 -1 7 0 0.0040716026 0.0040716026 0.0040712142 -1.0737418e+008  
  29. -5 -0.75 6.75 0 0.0040599061 0.0040774848 0.0040595187 -1.0737418e+008  
  30. -5 -0.5 6.5 0 0.0040714089 0.0040717972 0.0040717972 -1.0737418e+008  
  31. -5 -0.25 6.25 0 0.0040713926 0.0040717809 0.0040715868 -1.0737418e+008  
  32. -5 0 6 0 0.0040716026 0.0040712142 0.0040716026 -1.0737418e+008  
  33. -5 0.25 5.75 0 0.0040713926 0.0040715868 0.0040717809 -1.0737418e+008  
  34. -5 0.5 5.5 0 0.0040714089 0.0040717972 0.0040717972 -1.0737418e+008  
  35. ...  
  36. ...  
  37. ...  

可以看到点云中每个点对应的法向量也都近似共线于(1, 1, 1)。与之前解非其次线性方程组的方法类似，当点云数据比较密集(点与点间距离很小)时，计算出来的结果也是很不准的；同样地，增加点K近邻的样本个数(即增加K邻近算法中的K值，本例中为k_)，计算出的法向量是可以近似共线于(1,1,1)。个人推测的原因见文章之前部分。

还是那句话，真实原因有哪位朋友知道的话望告知！

完整代码可以下载http://download.csdn.net/detail/lming_08/7035195。



云初
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL 点云的3D凸包重建【计算凸包面积、体积、结果可视化】
weixin_43896283的博客
07-11 366
点云的凸包: 指在三维空间中，包围点云中所有点的最小凸多边形或凸多面体。凸包是一个凸集，它是由连结点云中的某些点形成的，使得凸包内的任意两点的连线都在凸包内部。
CCCorelib 点云法向量计算之拟合平面（CloudCompare内置算法库）
dayuhaitang1的博客
03-10 170
CCCorelib 点云法向量计算（CloudCompare内置算法库）
基于最小二乘法估计点云的曲面法向量(PCL编程实现)
03-13
估计某个点的法向量，可以类似于点云的曲面法向量估计，将该点附近K近邻的点近似在一个局部平面上，之后就通过最小二乘法拟合该平面方程.本代码是基于PCL库，往库中添加新的法向量估计。
C++使用最小二乘法计算点云法向量原理以及全部代码
go_with_the_wind的博客
05-07 1068
最小二乘计算点云法向量原理 对于任意一点 p(x,y,z)p(x, y, z)p(x,y,z)查找其一定领域内的点{pi}\{{p_i}\}{pi​}； 求得一个平面 ∏:a0x+a1y+a2z+1=0\prod: a_0x + a_1y+a_2z + 1 = 0∏:a0​x+a1​y+a2​z+1=0使得其到平面距离的平方和最小，即： min∑i=1ndist(pi,∏)min \sum_{i=1}^{n}dist(p_i, \prod)min∑i=1n​dist(pi​,∏) = min∑i=1n(a0
最小二乘求解点云平面方程及其对应法向量
xinxiangwangzhi_的博客
06-15 2033
csdn对latex语法支持不完整啊，太不友好了，那我只好上图片了。
利用NURBS曲线进行点云曲面拟合算法
weixin_44770969的博客
03-09 8903
点云拟合曲面算法是将点云数据拟合成一个二次或高次曲面模型的算法。这种算法主要用于三维模型重建、计算机视觉、机器人感知、医学图像处理等领域。最小二乘法（Least Squares Method）：通过最小化点到曲面距离的平方和来拟合曲面模型。三角剖分算法（Triangulation-Based Method）：将点云构建成三角网格，再拟合成曲面模型。隐式曲面算法（Implicit Surface Method）：通过定义一个隐式函数来表示曲面，然后用点云数据来估计隐式函数的系数。
基于局部平面拟合求点云法向量
03-17
基于局部平面拟合求点云法向量是一种用于点云数据处理中的技术，该技术的核心目标是计算出点云中每个点处的法向量。在介绍这一技术之前，首先需要理解几个数学概念，包括点云、法向量、切平面、切线等。 点云是由...
Easy3D 点云法向量估计
dayuhaitang1的博客
09-11 337
Easy3D 点云法向量估计
CCCorelib 点云法向量计算之拟合曲面（CloudCompare内置算法库）
最新发布
dayuhaitang1的博客
03-12 259
CCCorelib 点云法向量计算之拟合曲面（CloudCompare内置算法库）
pcl计算点云法向量并显示
爱哭鬼
10-15 395
利用最小二乘法估计样点表面法向，并显示 #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/kdtree/kdtree_flann.h> #include <pcl/features/normal_3d.h> #include <pcl/surface/gp3.h> #include <pcl/visualization/pcl_visualizer.h&
点云最小二乘法拟合曲线
dayuhaitang1的博客
04-01 2132
文章目录一、引言 一、引言
使用法向量加权最小二乘法拟合平面
一位小伙偶然路过
04-02 364
3.遍历每个点，并计算点到平面的距离，如果距离小于某个阈值，可以拟合出需要的点。主要是通过法向量加权最小二乘法拟合平面，并使用得到的方程来寻找可以拟合的点。2.定义平面方程的系数，并使用法向量加权最小二乘法拟合平面。1.计算点云数据的每个点的法向量。
3D点云法向量估计(最小二乘拟合平面)
weixin_30487201的博客
11-22 3224
1、点云法向量估计的主要思路是对K-近邻的N个点进行平面拟合（平面过N点重心），平面法向量即为所求； 2、最小二乘拟合可以转换为求协方差矩阵最小特征值对应的特征向量（SVD分解）；此种解法对数据噪声有很强的鲁棒性，关键点在于要对数据去中心化处理，将坐标原点移动到数据重心。 3、最后根据特征点P到重心Oi形成的向量与法向量的点乘来判断法向量正负，f(p) < 0为负，f(p) > 0...
Open3D 点云最小二乘法拟合二次曲面
dayuhaitang1的博客
08-17 1205
Open3D 点云最小二乘法拟合二次曲面
关于lming_08的最小二乘法向量使用的一些问题
dearpeer的专栏
03-01 1325
lming_08 你好 ！ 我在引用你的基于最小二乘法估计点云的曲面法向量 这篇文章的成果时遇到的一些问题，如果你能看到，麻烦不吝赐教。 我稍稍更改了平面法向量代码直接应用来求点的平面方程，在使用过程中遇到离散点不在一个平面是拟合出来的平面方程和最小二乘法拟合的结果方程差异和大（你所给的实例中的点云拟合的平面却又和最小二乘法拟合的平面方程一致），请问我直接使用是否可以，不可以的话问题是出在哪
Matlab 点云最小二乘法拟合平面（剔除噪声）
dayuhaitang1的博客
02-08 1918
Matlab 点云最小二乘法拟合平面（剔除噪声）
PCL点云处理之点云投影到指定平面（二十六）
weixin_44329757的博客
10-27 2527
PCL点云处理之点云投影到指定平面（二十五）要求效果代码(附注释说明) 要求 分别将点云投影到xoy, xoz ,yoz 三个平面上 效果 代码(附注释说明) //这头文件直接全垒上来算了，省的麻烦 #include <iostream> //标准C++库中的输入输出 #include <pcl/io/pcd_io.h> //PCD文件的读写 #include <pcl/point_types.h> //点类型定义 #include &lt
PCL：实现最小二乘拟合二次曲面（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
10-12 250
PCL：实现最小二乘拟合二次曲面（附完整源码）
3d点云素体法向量如何计算
08-24
综上所述，3D点云素体法向量的计算主要包括构建素体数据结构、遍历素体网格计算点云点的法向量、使用最小二乘法等方法拟合曲面并计算法向量等步骤。这些计算方法可以帮助我们理解和分析3D点云数据的结构和特征。 #...
评论
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
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