ROS::点云PCL(3)直通滤波

最新推荐文章于 2023-03-09 13:51:10 发布
最新推荐文章于 2023-03-09 13:51:10 发布
阅读量1k 收藏 10
点赞数
分类专栏： ROS 文章标签： ROS PCL 点云 3D视觉
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/weixin_43928944/article/details/116156782
版权

理解

在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点。实际应用中除了这些测量随机误差产生的噪声点之外，由于受到外界干扰如视线遮挡、障碍物等因素的影响，点云数据中往往存在着一些离主体点云较远的离散点，即离群点。不同的获取设备点云噪声结构也有不同。

通过滤波完成的功能还包括孔洞修复、最小信息损失的海量点云数据压缩处理等 。在点云处理流程中滤波处理作为预处理的第一步，往往对后续处理流程影响很大，只有在滤波预处理中将噪声点、离群点、孔洞、数据压缩等 按照后续需求处理，才能够更好地进行配准、特征提取、曲面重建、可视化等后续流程。

PCL 中点云滤波模块提供了很多灵活实用的滤波处理算法，例如双边滤波、高斯滤波、条件滤波、直通滤波、基于随机采样一致性滤波RANSAC等。滤波模块是作为 PCL的一个重要处理模块，其在应用中可以非常方便与其他点云处理流程协同使用。

应用场景
1、点云数据密度不规则需要平滑处理
2、去除因为遮挡等问题造成离群点
3、数据量较大，需要进行下采样( Downsample)
4、去除噪声数据。

下图显示了一个噪声消除的示例。 由于测量误差，某些数据集会出现大量阴影点。 这使局部点云3D特征的估算变得复杂。我们通过对每个点的邻域进行统计分析，并修剪掉不符合特定条件的那些异常值，进而可以过滤掉某些异常值。

PCL中的实现这些稀疏离群值的消除，需要计算数据集中的点与邻居距离的分布。 即对于每个点，都会计算从它到所有相邻点的平均距离。 通过假设结果分布是具有均值和标准差的高斯分布，可以将那些平均距离在【由全局距离均值和标准差定义的区间】之外的所有点视为离群值，并将之从数据集中进行修剪。

直通滤波PassThrough

  #include <ros/ros.h> 
#include <pcl/point_cloud.h> 
#include <pcl_conversions/pcl_conversions.h> 
#include <sensor_msgs/PointCloud2.h> 

#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>

#include <iostream>
#include <vector>
#include <ctime>

#include <pcl/filters/passthrough.h>

main (int argc, char **argv) 
{ 

    ros::init (argc, argv, "pcl_create"); 

    ros::NodeHandle nh; 
    ros::Publisher pcl_pub = nh.advertise<sensor_msgs::PointCloud2> ("pcl_output", 1);  
    
    // 用系统时间初始化随机种子
    srand(time(NULL));
    pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>);

    sensor_msgs::PointCloud2 output; 

    int point_num;
    float table[8]={-2,-1.5,-1,-0.5,0.5,1,1.5,2};

    cloud->width = 512;
    cloud->height = 1; 
    cloud->points.resize(cloud->width * cloud->height); 

    for(int a=0;a<8;++a){
        float width = table[a];
        for(int i=0;i<8;++i){
			float length = table[i];
	  	    for(int c=0;c<8;++c){
				point_num = a*64+i*8+c;
				cloud->points[point_num].x = width; 
				cloud->points[point_num].y = length; 
				cloud->points[point_num].z = table[c];
				//std::cout <<"x="<< cloud->points[point_num].x <<"   y="<< cloud->points[point_num].y <<"   z="<< cloud->points[point_num].z  << std::endl;
				if(width==-0.5 && length==-0.5 && table[c]==-0.5){
					cloud->points[point_num].r=0;
					cloud->points[point_num].g=255;
					cloud->points[point_num].b=255;
				}else{
				   cloud->points[point_num].r=0;
				   cloud->points[point_num].g=0;
				   cloud->points[point_num].b=255;
		   		}

			}
		}
	}

    pcl::PassThrough<pcl::PointXYZRGBA> pass;
    pass.setInputCloud(cloud);      // 1. 设置输入源
    pass.setFilterFieldName("x");       // 2. 设置过滤域名
    pass.setFilterLimits(-2, 0);     // 3. 设置过滤范围
	//pass.setFilterLimitsNegative(true); // 设置获取Limits之外的内容
    pass.filter(*cloud);       // 4. 执行过滤，并将结果输出到cloud_filtered

    std::cerr << "Cloud after filtering: " << std::endl;
    for (size_t i = 0; i < cloud->points.size(); ++i){
        std::cerr << "    " << cloud->points[i].x << " "
                  << cloud->points[i].y << " "
                  << cloud->points[i].z << std::endl;
	}

    pcl::toROSMsg(*cloud, output); 
    output.header.frame_id = "odom"; 
    ros::Rate loop_rate(1); 

    while (ros::ok()) { 
	pcl_pub.publish(output);
	ros::spinOnce(); 
	loop_rate.sleep(); 
    } 
    return 0;
}

输出过滤后的结果

Cloud after filtering: 
    -2 -2 -2
    -2 -2 -1.5
    -2 -2 -1
    -2 -2 -0.5
    -2 -2 0.5
    -2 -2 1
    -2 -2 1.5
    -2 -2 2
    -2 -1.5 -2
    -2 -1.5 -1.5
    -2 -1.5 -1
    -2 -1.5 -0.5
    -2 -1.5 0.5
    -2 -1.5 1
    -2 -1.5 1.5
    -2 -1.5 2
    -2 -1 -2
    -2 -1 -1.5
    -2 -1 -1
    -2 -1 -0.5
    -2 -1 0.5
    -2 -1 1
    -2 -1 1.5
    -2 -1 2
    -2 -0.5 -2
    -2 -0.5 -1.5
    -2 -0.5 -1
    -2 -0.5 -0.5
    -2 -0.5 0.5
    -2 -0.5 1
    -2 -0.5 1.5
    -2 -0.5 2
    -2 0.5 -2
    -2 0.5 -1.5
    -2 0.5 -1
    -2 0.5 -0.5
    -2 0.5 0.5
    -2 0.5 1
    -2 0.5 1.5
    -2 0.5 2
    -2 1 -2
    -2 1 -1.5
    -2 1 -1
    -2 1 -0.5
    -2 1 0.5
    -2 1 1
    -2 1 1.5
    -2 1 2
    -2 1.5 -2
    -2 1.5 -1.5
    -2 1.5 -1
    -2 1.5 -0.5
    -2 1.5 0.5
    -2 1.5 1
    -2 1.5 1.5
    -2 1.5 2
    -2 2 -2
    -2 2 -1.5
    -2 2 -1
    -2 2 -0.5
    -2 2 0.5
    -2 2 1
    -2 2 1.5
    -2 2 2
    -1.5 -2 -2
    -1.5 -2 -1.5
    -1.5 -2 -1
    -1.5 -2 -0.5
    -1.5 -2 0.5
    -1.5 -2 1
    -1.5 -2 1.5
    -1.5 -2 2
    -1.5 -1.5 -2
    -1.5 -1.5 -1.5
    -1.5 -1.5 -1
    -1.5 -1.5 -0.5
    -1.5 -1.5 0.5
    -1.5 -1.5 1
    -1.5 -1.5 1.5
    -1.5 -1.5 2
    -1.5 -1 -2
    -1.5 -1 -1.5
    -1.5 -1 -1
    -1.5 -1 -0.5
    -1.5 -1 0.5
    -1.5 -1 1
    -1.5 -1 1.5
    -1.5 -1 2
    -1.5 -0.5 -2
    -1.5 -0.5 -1.5
    -1.5 -0.5 -1
    -1.5 -0.5 -0.5
    -1.5 -0.5 0.5
    -1.5 -0.5 1
    -1.5 -0.5 1.5
    -1.5 -0.5 2
    -1.5 0.5 -2
    -1.5 0.5 -1.5
    -1.5 0.5 -1
    -1.5 0.5 -0.5
    -1.5 0.5 0.5
    -1.5 0.5 1
    -1.5 0.5 1.5
    -1.5 0.5 2
    -1.5 1 -2
    -1.5 1 -1.5
    -1.5 1 -1
    -1.5 1 -0.5
    -1.5 1 0.5
    -1.5 1 1
    -1.5 1 1.5
    -1.5 1 2
    -1.5 1.5 -2
    -1.5 1.5 -1.5
    -1.5 1.5 -1
    -1.5 1.5 -0.5
    -1.5 1.5 0.5
    -1.5 1.5 1
    -1.5 1.5 1.5
    -1.5 1.5 2
    -1.5 2 -2
    -1.5 2 -1.5
    -1.5 2 -1
    -1.5 2 -0.5
    -1.5 2 0.5
    -1.5 2 1
    -1.5 2 1.5
    -1.5 2 2
    -1 -2 -2
    -1 -2 -1.5
    -1 -2 -1
    -1 -2 -0.5
    -1 -2 0.5
    -1 -2 1
    -1 -2 1.5
    -1 -2 2
    -1 -1.5 -2
    -1 -1.5 -1.5
    -1 -1.5 -1
    -1 -1.5 -0.5
    -1 -1.5 0.5
    -1 -1.5 1
    -1 -1.5 1.5
    -1 -1.5 2
    -1 -1 -2
    -1 -1 -1.5
    -1 -1 -1
    -1 -1 -0.5
    -1 -1 0.5
    -1 -1 1
    -1 -1 1.5
    -1 -1 2
    -1 -0.5 -2
    -1 -0.5 -1.5
    -1 -0.5 -1
    -1 -0.5 -0.5
    -1 -0.5 0.5
    -1 -0.5 1
    -1 -0.5 1.5
    -1 -0.5 2
    -1 0.5 -2
    -1 0.5 -1.5
    -1 0.5 -1
    -1 0.5 -0.5
    -1 0.5 0.5
    -1 0.5 1
    -1 0.5 1.5
    -1 0.5 2
    -1 1 -2
    -1 1 -1.5
    -1 1 -1
    -1 1 -0.5
    -1 1 0.5
    -1 1 1
    -1 1 1.5
    -1 1 2
    -1 1.5 -2
    -1 1.5 -1.5
    -1 1.5 -1
    -1 1.5 -0.5
    -1 1.5 0.5
    -1 1.5 1
    -1 1.5 1.5
    -1 1.5 2
    -1 2 -2
    -1 2 -1.5
    -1 2 -1
    -1 2 -0.5
    -1 2 0.5
    -1 2 1
    -1 2 1.5
    -1 2 2
    -0.5 -2 -2
    -0.5 -2 -1.5
    -0.5 -2 -1
    -0.5 -2 -0.5
    -0.5 -2 0.5
    -0.5 -2 1
    -0.5 -2 1.5
    -0.5 -2 2
    -0.5 -1.5 -2
    -0.5 -1.5 -1.5
    -0.5 -1.5 -1
    -0.5 -1.5 -0.5
    -0.5 -1.5 0.5
    -0.5 -1.5 1
    -0.5 -1.5 1.5
    -0.5 -1.5 2
    -0.5 -1 -2
    -0.5 -1 -1.5
    -0.5 -1 -1
    -0.5 -1 -0.5
    -0.5 -1 0.5
    -0.5 -1 1
    -0.5 -1 1.5
    -0.5 -1 2
    -0.5 -0.5 -2
    -0.5 -0.5 -1.5
    -0.5 -0.5 -1
    -0.5 -0.5 -0.5
    -0.5 -0.5 0.5
    -0.5 -0.5 1
    -0.5 -0.5 1.5
    -0.5 -0.5 2
    -0.5 0.5 -2
    -0.5 0.5 -1.5
    -0.5 0.5 -1
    -0.5 0.5 -0.5
    -0.5 0.5 0.5
    -0.5 0.5 1
    -0.5 0.5 1.5
    -0.5 0.5 2
    -0.5 1 -2
    -0.5 1 -1.5
    -0.5 1 -1
    -0.5 1 -0.5
    -0.5 1 0.5
    -0.5 1 1
    -0.5 1 1.5
    -0.5 1 2
    -0.5 1.5 -2
    -0.5 1.5 -1.5
    -0.5 1.5 -1
    -0.5 1.5 -0.5
    -0.5 1.5 0.5
    -0.5 1.5 1
    -0.5 1.5 1.5
    -0.5 1.5 2
    -0.5 2 -2
    -0.5 2 -1.5
    -0.5 2 -1
    -0.5 2 -0.5
    -0.5 2 0.5
    -0.5 2 1
    -0.5 2 1.5
    -0.5 2 2

滤波前

滤波后

可见x方向上，-2～0 该区间内的点都被过滤掉了

  • 如果使用了pass.setFilterLimitsNegative (true);，则以上结果取反。
wx:pjcoder
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。
09-12
基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。
ros_fuse_point_cloud:[ROS] 提供节点订阅多个点云并将它们融合为一个
06-27
提供节点订阅多个点云并将它们融合为一个
三维目标检测：（二）用ROS获取传感器(Kinect DK)点云并滤波
weixin_43348387的博客
11-20 4021
前期工作 [ 1] 需要配置Clion https://blog.csdn.net/weixin_38593194/article/details/85122716 [ 2] 创建ros工作空间和功能包 https://blog.csdn.net/weixin_44858747/article/details/109479414 [ 3] 安装kinectDK官方SDK ，和ros功能包 https://blog.csdn.net/qq_27399933/article/details
ROS、PCL点云滤波
zhang970187013的博客
07-26 6255
硬件：Kinect2、UR5。 软件：Ubuntu16.04、ROS kinetic。 未经处理的Kinect点云包含噪声、视野范围太大，所以需要对其进行处理。我采用了直通、半径、体素三种方式。 以下内容纯属个人学习，如有错误，欢迎指正，不胜感激！！ 1、PCL滤波学习 官方教程：http://pointclouds.org/documentation/tutorials/index.p...
从RealsenseD435 摄像头获取点云数据并滤波后在ROS中通过rviz显示
cloudless_sky的博客
03-20 7515
从RealsenseD435 摄像头获取点云数据并滤波后在ROS中通过rviz显示 以体素滤波为例,参考以下博客： https://blog.csdn.net/jack20030552/article/details/80269486 https://blog.csdn.net/jack20030552/article/details/80269486 1.创建ROS package 在catki...
ROS中从摄像头获取PCL点云数据，并滤波后在Rviz中显示
热门推荐
jack20030552的博客
05-10 1万+
一、点云简介    通过测量仪器得到的产品外观表面的点数据集合也称之为点云，通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云。        经过几十年的发展，机器人传感器领域已经发生了巨大的变化：从基于声呐的简单测距功能到现在的视觉传感器和激光扫描仪。由视觉传感器和激光扫描仪提供的大量...
Ros中常见点云滤波
X_simple的博客
03-09 398
常见的处理点云的滤波原理和代码示例，半径滤波，直通滤波，体素滤波
ROS环境下采用PCL点云库对PCD格式点云进行滤波、旋转和平移等处理，并用RVIZ实时显示
weixin_42174523的博客
12-29 4677
ubuntu系统ROS环境下采用PCL点云库对PCD格式点云进行滤波、旋转和平移等处理，并用RVIZ实时显示。
对Rosbag中的激光点云进行降采样以及去除地面点
欧吼的CSDN
08-11 770
参考链接1：https://blog.csdn.net/sf9898/article/details/105442350 参考链接2：https://blog.csdn.net/sf9898/article/details/105500567?spm=1001.2014.3001.5501 参考链接3：https://adamshan.blog.csdn.net/article/details/82901295
realsense ros 三维点云地面检测与障碍物聚类
David_BY的博客
10-21 3653
点云地面检测算法_leeayu的博客-CSDN博客_地面检测 地面拟合法 Run_based_segmentation/scanlinerun.cpp at master · VincentCheungM/Run_based_segmentation · GitHub 点云平面检测GitHub - muratkendir/PlaneDetectionwPCL: Uses some filters and running RANSAC algorithm to detect planes in any .
点云下采样，rviz显示
u013013280的博客
07-29 450
#include <ros/ros.h> #include <iostream> // PCL specific includes 。PCL 的相关的头文件 #include <sensor_msgs/PointCloud2.h> #include <pcl_conversions/pcl_conversions.h> #include <p...
基于ROS的激光点云处理（点云降采样、欧式聚类分割的目标检测、地面拟合分割）
01-08
完整的ROS工程，针对激光点云数据，可以实现点云降采样处理、基于欧氏距离聚类分割的目标检测和地面拟合分割算法。可以直接使用。
pcl_495:一个点云库 - 使用 Nodelets 的 ROS 应用程序
06-17
项目介绍 使用 RGB-D 传感器和点云库，我们将地平面与场景的其余部分分开。 如果我们完成了我们所有的主要项目目标，我们将实现一个使用 nodelet 的版本。 如果我们运行项目的 nodelet 版本，我们将使用欧几里德聚类来查找场景中的对象，并可能计算出很酷的东西，例如滚动圆柱体的速度。 项目目标 测试不同的 RGB-D 传感器 测试不同的 RGB-D 传感器驱动程序（openni 与 openni2） 在rviz中可视化RGB-D传感器产生的点云 使用传感器和 PCL（点云库），将地板（或任何平行于相机框架的平面）与场景的其余部分分开 附加目标： 实现使用 ROS nodelet 的版本 在场景中查找对象 对一个对象执行额外的计算（比如找到对象的中心并随着时间的推移跟踪它） 测试硬件 可选择 Microsoft XBOX 360 Kinect 或 Asus Xtion PRO
使用Qt+librviz+ros设计点云显示界面.zip
05-22
使用Qt+librviz+ros设计点云显示界面.zip 计算机专业，软件工程专业，通信工程大学生课程设计 自己大三的时候写的 适合大家做课程设计，写毕业设计也可以参考 基于的课程设计
point_cloud_compression.tar.gz_ROS_Ros点云_cloud_point cloud_点云 传输
09-24
通过ros话题传输point cloud点云数据，然后在解析出来。
ros::spin() 和 ros::spinOnce()函数的区别及详解
09-01
主要介绍了ros::spin() 和 ros::spinOnce()函数的区别及详解的相关资料，本文介绍的非常详细，具有参考借鉴价值，感谢兴趣的朋友一起看看吧
pcl_localization_ros2：使用PCL的基于3D LIDAR的ROS2软件包（非SLAM）
02-04
pcl_localization_ros2 使用PCL的基于3D LIDAR的ROS2软件包。 绿色：路径，红色：地图（5x5网格大小为50m×50m）IO 输入/ cloud（sensor_msgs / PointCloud2） /地图（sensor_msgs / PointCloud2） / initialpose...
pointcloud_to_laserscan:将3D点云转换为2D激光扫描
05-02
ROS 2 pointcloud <-> laserscan转换器 这是ROS 2软件包，提供用于将sensor_msgs/msg/PointCloud2消息转换为sensor_msgs/msg/LaserScan消息并返回的组件。 它实质上是原始ROS 1软件包的端口。 pointcloud_to_...
darknet_ros：YOLO ROS：ROS的实时对象检测
02-05
darknet_ros：YOLO ROS：ROS的实时对象检测
解释这段C++代码 ros::NodeHandle nh; ros::Subscriber pcl_sub1; ros::Subscriber pcl_sub2; // pcl::visualization::CloudViewer viewer; ros::Timer viewer_timer; pcl::visualization::PCLVisualizer viewer; int outviewer=0,shape[500]; int shape_num=0;
最新发布
05-25
- `pcl::visualization::PCLVisualizer viewer;` 创建了一个PCL可视化界面对象，用于显示点云数据。 - `int outviewer=0,shape[500];` 定义了一些变量，用于控制可视化界面的显示。 - `int shape_num=0;` 定义了一个...

“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 2
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