学习笔记1：2020/9/21-2020/9/26

最新推荐文章于 2024-08-12 16:31:44 发布
最新推荐文章于 2024-08-12 16:31:44 发布
阅读量185 收藏
点赞数
文章标签： 计算机视觉
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_44600457/article/details/108814273
版权

1.基于PCL的三维重建—随机采样一致性算法（RANSAC）

在这里插入图片描述
在这里插入图片描述

#include <iostream>
#include <pcl/console/parse.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/sample_consensus/sac_model_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

boost::shared_ptr<pcl::visualization::PCLVisualizer>
simpleVis(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud)
{
	// --------------------------------------------
	// -----Open 3D viewer and add point cloud-----
	// --------------------------------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer->setBackgroundColor(0, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, "sample cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
	//viewer->addCoordinateSystem (1.0, "global");
	viewer->initCameraParameters();
	return (viewer);
}
/******************************************************************************************************************
对点云进行初始化，并对其中一个点云填充点云数据作为处理前的的原始点云，其中大部分点云数据是基于设定的圆球和平面模型计算
而得到的坐标值作为局内点，有1/5的点云数据是被随机放置的组委局外点。
*****************************************************************************************************************/
int
main(int argc, char** argv)
{
	// 初始化点云对象
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);  //存储源点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);   //存储提取的局内点

	// 填充点云数据
	cloud->width = 500;                   //填充点云数目
	cloud->height = 1;                     //无序点云
	cloud->is_dense = false;
	cloud->points.resize(cloud->width * cloud->height);
	for (size_t i = 0; i < cloud->points.size(); ++i)
	{
		if (pcl::console::find_argument(argc, argv, "-s") >= 0 || pcl::console::find_argument(argc, argv, "-sf") >= 0)
		{
			//根据命令行参数用x^2+y^2+Z^2=1设置一部分点云数据，此时点云组成1/4个球体作为内点
			cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0);
			cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0);
			if (i % 5 == 0)
				cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0);   //此处对应的点为局外点
			else if (i % 2 == 0)
				cloud->points[i].z = sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
					- (cloud->points[i].y * cloud->points[i].y));
			else
				cloud->points[i].z = -sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
					- (cloud->points[i].y * cloud->points[i].y));
		}
		else
		{ //用x+y+z=1设置一部分点云数据，此时地拿云组成的菱形平面作为内点
			cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0);
			cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0);
			if (i % 2 == 0)
				cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0);   //对应的局外点
			else
				cloud->points[i].z = -1 * (cloud->points[i].x + cloud->points[i].y);
		}
	}

	std::vector<int> inliers;  //存储局内点集合的点的索引的向量

	//创建随机采样一致性对象
	pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr
		model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));    //针对球模型的对象
	pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr
		model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud));   //针对平面模型的对象
	if (pcl::console::find_argument(argc, argv, "-f") >= 0)
	{  //根据命令行参数，来随机估算对应平面模型，并存储估计的局内点
		pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_p);
		ransac.setDistanceThreshold(.01);    //与平面距离小于0.01 的点称为局内点考虑
		ransac.computeModel();                   //执行随机参数估计
		ransac.getInliers(inliers);                 //存储估计所得的局内点
	}
	else if (pcl::console::find_argument(argc, argv, "-sf") >= 0)
	{
		//根据命令行参数  来随机估算对应的圆球模型，存储估计的内点
		pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
		ransac.setDistanceThreshold(.01);
		ransac.computeModel();
		ransac.getInliers(inliers);
	}

	// 复制估算模型的所有的局内点到final中
	pcl::copyPointCloud<pcl::PointXYZ>(*cloud, inliers, *final);

	// 创建可视化对象并加入原始点云或者所有的局内点

	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer;
	if (pcl::console::find_argument(argc, argv, "-f") >= 0 || pcl::console::find_argument(argc, argv, "-sf") >= 0)
		viewer = simpleVis(final);
	else
		viewer = simpleVis(cloud);
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}
	return 0;
}

代码运行演示：
在这里插入图片描述

2.区域生长算法 、投影的算法 、Concave Hull 提取外轮廓

在这里插入图片描述
在这里插入图片描述

#include <pcl/surface/convex_hull.h>
#include <iostream>
#include <pcl/console/parse.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/sample_consensus/sac_model_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

int main()
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	//pcl::io::loadPCDFile<pcl::PointXYZ>("H:\\02_Zhoy_procedure\\Company\\ZhoyTest\\data\\pcd\\756.400983000.pcd", *cloud);
	pcl::io::loadPCDFile<pcl::PointXYZ>("H:\\02_Zhoy_procedure\\litingzhinengstopcar\\cloud_downsampled.pcd", *cloud);
	pcl::ConvexHull<pcl::PointXYZ> hull;
	hull.setInputCloud(cloud);
	hull.setDimension(3);

	std::vector<pcl::Vertices> polygons;
	pcl::PointCloud<pcl::PointXYZ>::Ptr surface_hull(new pcl::PointCloud<pcl::PointXYZ>);
	hull.reconstruct(*surface_hull, polygons);

	cout << surface_hull->size() << endl;

	// ---------------------- Visualizer -------------------------------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer);
	viewer->setBackgroundColor(255, 255, 255);

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handler(cloud, 255, 255, 0);
	viewer->addPointCloud(cloud, color_handler, "sample cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 6, "sample cloud");

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handlerK(surface_hull, 255, 0, 0);
	viewer->addPointCloud(surface_hull, color_handlerK, "point");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 6, "point");

	//viewer->addPolygon<pcl::PointXYZ>(surface_hull, 0, 0, 255, "polyline");

	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
	}

}

在这里插入图片描述
代码运行演示：
在这里插入图片描述

References：
1.https://blog.csdn.net/robin__chou/article/details/50071313
2.https://blog.csdn.net/rocachilles/article/details/95199316

robot.zhoy
关注
PCL实现分割凸包或凹包convex/concave hull
weixin_43047324的博客
05-13 979
NOTE: 添加预处理器定义。
大数据Hadoop教程-学习笔记02【Apache Hadoop、HDFS】
upward
02-22 948
大数据Hadoop教程-学习笔记02【Apache Hadoop、HDFS】
pcl 凸包ConvexHull 和 ConcaveHull
weixin_39354845的博客
06-26 1397
pcl 凸包ConvexHull 和 ConcaveHull
PCL函数库摘要——点云曲面重建
最新发布
qq_656236576的博客
08-12 897
PCL库种surface模块是用来对三维扫描获取的原始点云进行曲面重建的，该模块包含实现点云重建的基础算法与数据结构。
数学：凸包算法详解
dengguan2720的博客
07-25 4159
一.概念： 凸包（Convex Hull）是一个计算几何（图形学）中的概念。 在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。 X的凸包可以用X内所有点(X1，...Xn)的线性组合来构造. 在二维欧几里得空间中，凸包可想象为一条刚好包著所有点的橡皮圈。 用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边型，它能包含...
【点云surface】 凹包重构
weixin_45824067的博客
11-24 1139
pcl::ProjectInliers这步骤是将直通滤波过滤得到的结果，全部投影到pcl::SACSegmentation分割到的平面上。原始点云 ---> 直通滤波 --> pcl::SACSegmentation分割出平面 -->pcl::ProjectInliers投影 --> pcl::ConcaveHull凹包重构。较小的alpha值会产生更精细的凹凸包，而较大的alpha值会产生更粗糙的凹凸包。，则计算的凹凸包点云将保留输入点云的法线和曲率信息。值会产生更精细的凹凸包，而较大的。
【PCL】教程concave_hull_2d.cpp 对点云进行过滤、分割、投影以及凹包构建
cxyhjl的博客
04-19 1019
[done, 599.439 ms : 307200 points] Available dimensions: x y z rgb原始点云PointCloud after filtering has: 139656 data points. PointCloud after segmentation has: 123727 inliers. PointCloud after projection...
【双目视觉】PCL函数库摘要——点云曲面重建
smartvxworks的博客
07-24 1519
类MovingLeastSquares实现了基于移动最小二乘算法的点云平滑处理、数据重采样，并且可以计算优化的估计法线，其输入是点云数据，输出为经过用户设定参数对应的处理之后得到的平滑重采样点云。类Poisson是对泊松曲面重建算法的实现,输入是带有法线的点云，输出为重建后的曲面模型数据，泊松曲面重建的实现是基于文献Poisson surface reconstruction。PCL库种surface模块是用来对三维扫描获取的原始。进行曲面重建的，该模块包含实现点云重建的基础算法与数据结构。
【Spring Cloud学习笔记】【3/2】下篇
gdsjgfh的博客
04-28 3334
服务注册：将服务信息注册进注册中心 服务发现：从注册中心上获取服务信息 实质：存key服务命取value闭用地址 1先启动eureka注主册中心 2启动服务提供者payment支付服务 3支付服务启动后会把自身信息(比服务地址L以别名方式注朋进eureka 4消费者order服务在需要调用接口时，使用服务别名去注册中心获取实际的RPC远程调用地址 5消去者导调用地址后，底屋实际是利用HttpClient技术实现远程调用 6消费者实癸导服务地址后会缓存在本地jvm内存中，默认每间隔30秒更新—
Spring Cloud 学习笔记（3 / 3）
热门推荐
KISS
03-03 6万+
Spring Cloud 学习笔记（1 / 3） Spring Cloud 学习笔记（2 / 3） - - - 108_Nacos之Linux版本安装 109_Nacos集群配置(上) 110_Nacos集群配置(下) 111_Sentinel是什么 112_Sentinel下载安装运行 113_Sentinel初始化监控 114_Sentinel流控规则简介 115_Sentinel流控-QPS直接失败 116_Sentinel流控-线程数直接失败 117_Sentinel流控
如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法
丨汀、的博客
07-14 3318
如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法
计算三维convex hull凸体体积和面积的程序
01-06
这是一个计算三维convex hull凸体体积和面积的程序，很好用，值得研究
Concave hull: A k-nearest neighbor algorithm:Concave hull: 一种用于计算一组点占据的区域的 k-nearest neighbor 方法-matlab开发
05-29
所提出的算法基于 k 最近邻方法，其中 k 的值是唯一的算法参数，用于控制最终解决方案的“平滑度”。 该算法的思想属于： 莫雷拉、阿德里亚诺和桑托斯、马里贝尔。 （2007）。 Concave hull：用于计算由一组点占据的区域的 k 最近邻方法.. 61-68。
matlab开发-Concavehull
08-25
matlab开发-Concavehull。此函数试图将三维点云的凸度转换为（多个）凹形点云。
Concave_Hull:具有累积参数的Alpha Shapes算法，用于从凹壳到凸壳的逐渐变化
05-15
凹面船身 具有新累积参数的Alpha Shapes算法可用于从凹壳到凸壳的逐渐变化。 表示了两种实现。 其中一个在python 3 ，另一个在cython上cython 。 要执行算法，请运行alfa_example.py 。 您可以在文件夹data找到示例数据集，并在文件夹analysis找到一些分析图片。 示例数据集是Open Street Map俄罗斯圣彼得堡Petrogradsky区的一部分。 数据集中有3922个点。 算法演示了从凹壳到凸壳的逐渐变化： 具有不同点数的数据集的时间估计显示出良好的性能。 为了进行比较，对于其中最大的数据集， QGIS的实施执行了约90分钟。 此外，还进行了船体平滑处理，以更好地演示地理空间结果：
尚硅谷Kafka教程 2019 --- 狗剩学习笔记
狗剩的专栏
01-31 3150
尚硅谷Kafka教程(kafka框架快速入门) https://www.bilibili.com/video/BV1a4411B7V9?p=1 kafka 是一个基于 发布/订阅模式的分布式消息队列 (Message Queue)
点云处理库Open3D基础操作1
机器人视觉感知
09-03 948
Open3D是英特尔公司于2015年发布的开源3D视觉算法库，截至2023年03月已经更新到了0.17.0版本。基于MIT协议开源许可。其后端使用C++11实现，经过了高度优化，使用OpenMP并行运算优化。通过,其提供前端Python API。Open3D的介绍论文发布在。更多详细的介绍可以参考这里。值得一提的是在另外一个大名鼎鼎的3D视觉算法库是PCL由实验室开源于2011年，与同出一源。关于PCL的介绍可以参考这里。在Open3D的介绍论文中，作者指出，PCL作为较早出现的3D。
PCL中的40种滤波器介绍
achacker的博客
04-17 2592
Voxel Grid （体素格滤波） 作用：将点云数据离散化为一个三维网格，每个网格单元内只保留一个点。这种滤波器可以降低点云数据的复杂度，减小数据量，同时可以保留点云的结构特征。 重要参数： voxel_size：定义体素格的大小，通常设置为点云数据中最小的特征尺度。体素格大小的选择会影响滤波后的点云质量，体素格过小可能会过度削弱数据特征，体素格过大则会丢失细节。 Pass Through （范围滤波） 作用：根据用户设定的范围，保留点云数据中在这个范围内的点，过滤掉范围外的点。这种滤波器通常用于消除无
PCL 点云库 点云 凸包检测 Convex Hull 凸包顶点求解
Morty 的挖坑记录
07-09 9295
点云凸包检测还是比较常用的，PCL自带的凸包检测 ConvexHull ，这个函数比较简单，设置凸包维度 setDimension即可，在这里记录一下 头文件：#include <pcl/surface/convex_hull.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pc...
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