PCL: Surface模块之Moving Least Squares（移动最小二乘法）

转自：https://blog.csdn.net/u012337034/article/details/37534869

参考文献：

           关于此类的详细信息和学术上的理论推导大家可以查看Marc Alexa的文章“Computing and Rendering Point Set Surfaces”。

用法小结：

       虽说此类放在了Surface下面，但是通过反复的研究与使用，我发现此类并不能输出拟合后的表面，不能生成Mesh或者Triangulations，只是将点云进行了MLS的映射，使得输出的点云更加平滑。

       因此，在我看来此类应该放在Filter下。通过多次的实验与数据的处理，我发现此类主要适用于点云的光顺处理，当然输入的点云最好是滤过离群点之后的点集，否则将会牺牲表面拟合精度的代价来获得输出点云。

详细分析：

参数输入输出：

       此类由基类CloudSurfaceProcessing派生，生成对象的方式也很简单，如下：

Pcl::MovingLeastSquares<PointInT, PointOutT> mls

       其中PointInT决 定了输入点云类型，PointOutT为点云输出类型（当法线估计标志位设置为true时，输出向量必须加上normals，这一点我们将会在成员函数里介绍）。

成员函数简介：

       这里我就不一一介绍所有的成员函数了，只是把常用的成员函数给列出来，并给出其的使用方法。

1. inline void setComputeNormals(bool compute_normals)  我们都知道表面重构时需要估计点云的法向量，这里MLS提供了一种方法来估计点云法向量。（如果是true的话注意输出数据格式）。

2. inline void setSearchMethod(const KdTreePtr&tree)  使用kdTree加速搜索
   

3. inline void setPolynomialOrder(int order)  MLS拟合曲线的阶数，这个阶数在构造函数里默认是2，但是参考文献给出最好选择3或者4，当然不难得出随着阶数的增加程序运行的时间也增加。
   

4. inline voidsetPolynomailFit(bool polynomial_fit)  对于法线的估计是有多项式还是仅仅依靠切线。

5. inline void setSearchRadius(double radius)  确定搜索的半径。也就是说在这个半径里进行表面映射和曲面拟合。从实验结果可知：半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。

   
          这里是阶数为2，搜索半径为20的情况，可见奶粉罐侧面的凹陷已不见
   
   
   这里是阶数为4，搜索半径为8的情况，较真实的还原了实际

6. inline void setUpsamplingMethod(UpsamplingMethodmethod)  这个函数比较特殊，他会调用不同的枚举变量， 每个枚举变量有对应的几个不同的函数，因此这里我将一一解释。经过试验证明：这个upsampling函数只能增加密度较小区域的密度对于holes的填补却无能为力（本来想着用之填补点云缺失的部分，却发现此函数并没有那么强大）。接下来将会一一介绍四个不同的方法。

   a)       NONE——将不会进行upsampling

   b)       SAMPLE_LOCAL_PLANE——这个方法就是参考论文中采用的方法，当然此方法所需的计算强度也相当庞大。若使用此方法，将需要调用两个函数：

   A.     Inline voidsetUpsamplingRadius(double radius) 此函数规定了点云增长的区域。可以这样理解：把整个点云按照此半径划分成若干个子点云，然后一一索引进行点云增长。

   B.     Inline voidsetUpsamlingStepSize(double size) 对于每个子点云处理时迭代的步长。

   c)       RANDOM_UNIFORM_DENSITY——也是使用上面子点云的原理，只不过它使得稀疏区域的密度增加，从而使得整个点云的密度均匀。它需要调用函数：inline void setPointDensity(int desired_num_po-ints_in_radius) 注意此函数输入整型变量，意为半径内点的个数。（这个半径应该是search的半径，不需要重新设置）。

   d)      VOXEL_GRID_DILATION——这个方法有两个步骤：首先将点云以voxels分割，然后进行迭代使得voxels的数目增加。它的结果是：填充空洞和平均化点云的密度。它需要调用的函数为：

   A.     Inline voidsetDilationVoxelSize(float voxel_size) 设定voxel的大小。

   B.     Inline voidsetDilationIterations(int iterations) 设置迭代的次数。

7.  Void process(PointCloudOut&output) 此类的最后一个函数，将会输出处理后的点云。

8. 当然还有其他的一些函数，我就不在这里一一进行介绍了，留给读者们自己开发吧。 :)

效果展示：

        我使用的PCL版本为1.6.0 all-in-one，IDE为vs2010。源码和源点云文件我已上传到CSDN（点此下载）。成功的把3000多点云数据Upsampling到了数万组。下面上效果图（明显比上述两幅图片更加密集）。对了我的邮箱为littletinygo@sina.com，希望与大家多多交流共同进步。