mesh模型表面随机采样

最新推荐文章于 2024-11-20 17:25:21 发布
最新推荐文章于 2024-11-20 17:25:21 发布
阅读量907 收藏 11
点赞数 21
文章标签： 算法
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_45301653/article/details/143407035
版权

算法原理

这个算法是一种在网格表面上进行基于面积的随机采样方法。以下是该算法的步骤解析：

1. 计算三角形面积：

  • 对于网格中的每个三角形，计算其面积。这有助于确定在每个三角形上采样的点数，面积越大的三角形将获得更多的采样点。

2. 确定每个三角形的采样点数：

  • 对于每个三角形，根据其面积占整个网格总面积的比例来计算期望的采样点数。比如，如果一个三角形占据总面积的 10%，而目标是采样 100 个点，那么我们期望在这个三角形上采样大约 10 个点。
  • 计算该期望值作为一个浮点数（例如 n=7.32 个点）。

3. 分离整数和小数部分：

  • 使用 n 的整数部分（例如 7）在三角形上放置该数量的点。
  • 对于小数部分（例如 0.32），将其视为一种概率。生成一个 0 到 1 的随机数，如果该数小于 0.32，则再增加一个点。这样，通过概率机制来加入小数点部分，从而平衡了采样精度和简单性。

4. 在三角形内进行随机采样：

  • 对于每个要放置在三角形上的点，使用重心坐标（barycentric coordinates）在三角形内随机采样。
  • 生成两个 0 到 1 之间的随机数 u 和 v。如果 u+v>1，将 u 和 v 分别变为 1−u 和 1−v 以确保采样点在三角形内。
  • 使用这些坐标对三角形顶点进行线性插值，从而得到三角形内的一个采样点。

5. 对所有三角形重复以上步骤：

  • 将以上步骤应用于网格中的每个三角形，并根据各自的面积调整采样点数。

算法实现

（1）采样总点数作为采样参数

可以通过 PCL 实现该算法，将 pcl::PolygonMesh 中的三角形面片进行采样。我们可以读取 pcl::PolygonMesh 中的顶点和面片，然后基于每个三角形的面积分布采样指定数量的点。以下是一个基于 PCL 的示例代码：

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/PolygonMesh.h>
#include <pcl/io/vtk_lib_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/common/geometry.h>
#include <random>
#include <iostream>

// 计算三角形面积
float calculateTriangleArea(const pcl::PointXYZ& p1, const pcl::PointXYZ& p2, const pcl::PointXYZ& p3) {
    Eigen::Vector3f v1 = p2.getVector3fMap() - p1.getVector3fMap();
    Eigen::Vector3f v2 = p3.getVector3fMap() - p1.getVector3fMap();
    return 0.5f * v1.cross(v2).norm();
}

// 生成三角形内的随机点
pcl::PointXYZ samplePointInTriangle(const pcl::PointXYZ& p1, const pcl::PointXYZ& p2, const pcl::PointXYZ& p3) {
    float u = static_cast<float>(rand()) / RAND_MAX;
    float v = static_cast<float>(rand()) / RAND_MAX;
    if (u + v > 1.0f) {
        u = 1.0f - u;
        v = 1.0f - v;
    }
    float w = 1.0f - u - v;
    return pcl::PointXYZ(
        u * p1.x + v * p2.x + w * p3.x,
        u * p1.y + v * p2.y + w * p3.y,
        u * p1.z + v * p2.z + w * p3.z
    );
}

// 根据每个三角形的面积进行随机采样
pcl::PointCloud<pcl::PointXYZ>::Ptr samplePointsFromMesh(const pcl::PolygonMesh& mesh, int total_points) {
    pcl::PointCloud<pcl::PointXYZ> cloud;
    pcl::fromPCLPointCloud2(mesh.cloud, cloud);

    // 遍历所有三角形并计算总面积
    float total_area = 0.0f;
    std::vector<float> triangle_areas;
    for (const auto& polygon : mesh.polygons) {
        if (polygon.vertices.size() != 3) continue; // 确保是三角形
        const auto& p1 = cloud.points[polygon.vertices[0]];
        const auto& p2 = cloud.points[polygon.vertices[1]];
        const auto& p3 = cloud.points[polygon.vertices[2]];
        float area = calculateTriangleArea(p1, p2, p3);
        triangle_areas.push_back(area);
        total_area += area;
    }

    // 初始化结果点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr sampled_points(new pcl::PointCloud<pcl::PointXYZ>);

    // 在每个三角形上按比例采样
    for (size_t i = 0; i < mesh.polygons.size(); ++i) {
        if (mesh.polygons[i].vertices.size() != 3) continue; // 确保是三角形
        const auto& p1 = cloud.points[mesh.polygons[i].vertices[0]];
        const auto& p2 = cloud.points[mesh.polygons[i].vertices[1]];
        const auto& p3 = cloud.points[mesh.polygons[i].vertices[2]];

        // 计算应采样的点数
        float expected_points = total_points * (triangle_areas[i] / total_area);
        int n_points = static_cast<int>(std::floor(expected_points));
        float fractional_part = expected_points - n_points;

        // 根据小数部分的概率决定是否多采样一个点
        if (static_cast<float>(rand()) / RAND_MAX < fractional_part) {
            ++n_points;
        }

        // 在三角形内采样点
        for (int j = 0; j < n_points; ++j) {
            sampled_points->points.push_back(samplePointInTriangle(p1, p2, p3));
        }
    }

    sampled_points->width = sampled_points->points.size();
    sampled_points->height = 1;
    sampled_points->is_dense = true;

    return sampled_points;
}

int main() {
    // 加载 STL 文件并转换为 pcl::PolygonMesh
    pcl::PolygonMesh mesh;
    pcl::io::loadPolygonFileSTL("path/to/your/file.stl", mesh);

    // 设定采样点的总数量
    int total_points = 10000; // 可以根据需要调整

    // 从网格中采样点
    pcl::PointCloud<pcl::PointXYZ>::Ptr sampled_points = samplePointsFromMesh(mesh, total_points);

    // 可视化采样后的点云
    pcl::visualization::PCLVisualizer viewer("Sampled Points Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(sampled_points, "sampled points");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sampled points");
    viewer.spin();

    return 0;
}

代码说明

  1. 计算三角形面积：

    • 使用向量叉积计算每个三角形的面积，以确定在每个三角形上应采样的点数。

  2. 生成三角形内随机点：

    • 使用重心坐标在三角形内随机采样一个点，确保采样点均匀分布在三角形表面上。

  3. 按面积比例采样：

    • 根据每个三角形的面积相对于网格总面积的比例，计算该三角形应采样的点数 expected_points。
    • 将 expected_points 的整数部分作为基础采样点数，并根据小数部分作为概率，决定是否多采样一个点。

  4. 生成结果点云：

    • 将采样的点添加到 sampled_points 点云中。

  5. 可视化：

    • 使用 PCLVisualizer 显示采样后的点云。

注意事项

  • 随机数生成器：为增加随机数生成的灵活性，可以考虑使用 std::mt19937 生成器代替 rand()。
  • 采样数量调整：total_points 可以调整，控制采样的总点数。

效果

（2）采样密度作为采样参数

如果要使用采样密度（点数/单位面积）来控制采样点的数量，可以按照以下思路修改代码：

  1. 设定采样密度：定义每单位面积的采样点数。
  2. 根据面积计算采样点数：对于每个三角形，根据其面积和设定的采样密度来计算采样点数。
  3. 按面积采样点数采样：在每个三角形内按计算的点数进行随机采样。
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/PolygonMesh.h>
#include <pcl/io/vtk_lib_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/common/geometry.h>
#include <random>
#include <iostream>

// 计算三角形面积
float calculateTriangleArea(const pcl::PointXYZ& p1, const pcl::PointXYZ& p2, const pcl::PointXYZ& p3) {
    Eigen::Vector3f v1 = p2.getVector3fMap() - p1.getVector3fMap();
    Eigen::Vector3f v2 = p3.getVector3fMap() - p1.getVector3fMap();
    return 0.5f * v1.cross(v2).norm();
}

// 在三角形内生成随机点
pcl::PointXYZ samplePointInTriangle(const pcl::PointXYZ& p1, const pcl::PointXYZ& p2, const pcl::PointXYZ& p3) {
    float u = static_cast<float>(rand()) / RAND_MAX;
    float v = static_cast<float>(rand()) / RAND_MAX;
    if (u + v > 1.0f) {
        u = 1.0f - u;
        v = 1.0f - v;
    }
    float w = 1.0f - u - v;
    return pcl::PointXYZ(
        u * p1.x + v * p2.x + w * p3.x,
        u * p1.y + v * p2.y + w * p3.y,
        u * p1.z + v * p2.z + w * p3.z
    );
}

// 根据采样密度对网格进行采样
pcl::PointCloud<pcl::PointXYZ>::Ptr samplePointsFromMesh(const pcl::PolygonMesh& mesh, float density) {
    pcl::PointCloud<pcl::PointXYZ> cloud;
    pcl::fromPCLPointCloud2(mesh.cloud, cloud);

    // 初始化采样后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr sampled_points(new pcl::PointCloud<pcl::PointXYZ>);

    // 遍历每个三角形，按面积计算采样点数
    for (const auto& polygon : mesh.polygons) {
        if (polygon.vertices.size() != 3) continue; // 确保是三角形

        // 获取三角形顶点
        const auto& p1 = cloud.points[polygon.vertices[0]];
        const auto& p2 = cloud.points[polygon.vertices[1]];
        const auto& p3 = cloud.points[polygon.vertices[2]];

        // 计算三角形面积
        float area = calculateTriangleArea(p1, p2, p3);

        // 根据面积和采样密度计算采样点数
        float expected_points = density * area;
        int n_points = static_cast<int>(std::floor(expected_points));
        float fractional_part = expected_points - n_points;

        // 根据小数部分的概率决定是否多采样一个点
        if (static_cast<float>(rand()) / RAND_MAX < fractional_part) {
            ++n_points;
        }

        // 在三角形内采样点
        for (int j = 0; j < n_points; ++j) {
            sampled_points->points.push_back(samplePointInTriangle(p1, p2, p3));
        }
    }

    sampled_points->width = sampled_points->points.size();
    sampled_points->height = 1;
    sampled_points->is_dense = true;

    return sampled_points;
}

int main() {
    // 加载 STL 文件并转换为 pcl::PolygonMesh
    pcl::PolygonMesh mesh;
    pcl::io::loadPolygonFileSTL("path/to/your/file.stl", mesh);

    // 设定采样密度（点数/单位面积）
    float density = 10.0f; // 可以根据需要调整密度

    // 从网格中采样点
    pcl::PointCloud<pcl::PointXYZ>::Ptr sampled_points = samplePointsFromMesh(mesh, density);

    // 可视化采样后的点云
    pcl::visualization::PCLVisualizer viewer("Sampled Points Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(sampled_points, "sampled points");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sampled points");
    viewer.spin();

    return 0;
}

代码说明

  1. 定义采样密度：density 表示每单位面积的采样点数，可以根据需要调整。
  2. 计算采样点数：
    • 根据 density 和三角形面积 area 计算每个三角形的预期采样点数 expected_points。
    • 将 expected_points 的整数部分作为基础采样点数，小数部分作为概率决定是否再多采样一个点。
  3. 生成采样点：在三角形内生成采样点，确保每个三角形按设定密度采样。
  4. 可视化：使用 PCLVisualizer 显示采样后的点云。

注意事项

  • 采样密度单位：density 表示每单位面积的点数，适合网格大小各异的情况。如果网格非常大或非常小，可以调整 density 以确保合适的点云密度。
  • 随机数生成器：为保证结果稳定性和灵活性，可以替换 rand() 为 std::mt19937 随机生成器。

两种方法的区别

这两种方法在原理上有相似之处，但在控制采样的方式和适用场景上有一些区别。

相同点

  • 基于面积的采样：两种方法都基于三角形的面积决定采样点数，即面积越大的三角形获得的采样点越多，从而确保采样点分布更能反映模型的真实几何形状。
  • 小数点概率机制：两种方法在计算采样点数时，都使用了整数部分加上小数部分作为概率的方法。例如，如果期望值为 7.32 点，那么会先放置 7 个点，然后根据 0.32 的概率决定是否再放置一个点。

不同点

  1. 控制参数不同：

    • 总点数控制：第一种方法通过指定采样的总点数来控制采样密度。算法根据三角形的面积占比分配总点数，因此适用于需要在整个模型上均匀分配固定数量的点的情况。
    • 密度控制：第二种方法通过每单位面积的点数来控制采样，即通过定义采样密度（点数/单位面积），直接决定每个三角形上生成的点数。适用于需要精确控制局部区域采样密度的情况。

  2. 采样点数的分配策略：

    • 总点数控制：第一种方法根据每个三角形相对于总面积的比例，动态计算每个三角形的采样点数。换句话说，它是基于全局面积进行的采样点数分配。
    • 密度控制：第二种方法为每个三角形分配的采样点数完全依赖于三角形的局部面积，而与其他三角形无关，因此在计算上更加简单明了，适合在大型模型或任意区域的密集采样。

  3. 适用场景的差异：

    • 总点数控制：适用于需要均匀分布总点数的场景。例如，在点云数据需要特定数量的点时，使用总点数控制更合适，这样可以精确生成点数并确保分布的均匀性。
    • 密度控制：适合在大模型或区域密度采样的情况下使用。例如，如果模型非常大而某些细节区域需要更多的采样点，使用密度控制可以轻松实现局部的高密度采样。

总结

  • 第一种方法（总点数控制）：通过设定整个模型的总点数，按比例将点分配到每个三角形上，适合于固定总点数的采样。
  • 第二种方法（密度控制）：通过设定单位面积的采样密度，直接控制每个三角形的采样点数，适合于需要局部控制点云密度的采样。

根据需求选择合适的方法可以更好地实现采样目标。

沉泱
关注
Open3D 从mesh中采样点云【2025最新版】
点云侠的博客
12-03 38万+
从模型中提取点云，博客长期更新，本文最新更新时间为：2025年4月4日。
PCL源码剖析之MarchingCubes算法
zfjBIT的专栏
03-04 1020
MarchingCubes算法简介 MarchingCubes(移动立方体)算法是目前三围数据场等值面生成中最常用的方法。它实际上是一个分而治之的方法，把等值面的抽取分布于每个体素中进行。对于每个被处理的体素，以三角面片逼近其内部的等值面片。每个体素是一个小立方体，构造三角面片的处理过程对每个体素都“扫描”一遍，就好像一个处理器在这些体素上移动一样，由此得名移动立方体算法。 MC算法主要有三步：...
【点云PCL入门】关键点提取
cutemypig的博客
12-17 2201
索引1.深度图像中提取NARF关键点参考 1.深度图像中提取NARF关键点 参考
PCL学习记录-2 Filter-2 VoxelGrid（体素网格方法-降采样）功能及用法解析
HarwardWu的博客
11-29 3245
通过体素网格实现降采样，可以减少点数量的同时，保证点云的形状特征，可以提高配准、曲面重建、形状识别等算法的速度，并保证准确性。 来源：官方文档：https://pcl-tutorials.readthedocs.io/en/latest/voxel_grid.html#voxelgrid 一.VoxelGrid体素网格方法进行滤波&降采样 VoxelGrid体素网格作用：使用体素网格可以用来减少点云数据中的点的数量，同时能够保持点云的形状特征； ...
PCL学习（五）如何在mesh模型上sample更多点及三维物体姿态估计
weixin_30940783的博客
01-23 671
---恢复内容开始--- 最近在做关于物体姿态估计的项目 基本思路就是 我们在估计物体的pose的时候，需要用分割得到的点云与模型库中的模型做匹配 1、通过基于RANSANC的SAC-IA将点云和模型做大体估计 2、通过ICP对物体pose做精准估计，并返回物体pose 第二步的时候有个问题，很多模型库里的模型都是mesh，转换成点云后因为原本的点就非常稀疏，所以得到的点云也非常稀...
theeJs--表面采样器实现3D模型粒子化
话儒者的博客
06-22 821
threeJs表面采样器实现粒子化
CloudCompare源码分析之qCC模块：模型采样
dayuhaitang1的博客
12-13 1070
CloudCompare源码分析之qCC模块：模型采样
PCL 点云分割与分类 Segmentation RANSAC随机采样一致性 平面模型分割 欧氏距离分割 区域聚类分割算法 最小分割算法 超体聚类 渐进式形态学滤波器
万有文的博客
04-09 1万+
点云分割 博文末尾支持二维码赞赏哦_ 点云分割是根据空间，几何和纹理等特征对点云进行划分， 使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提， 例如逆向工作，CAD领域对零件的不同扫描表面进行分割， 然后才能更好的进行空洞修复曲面重建，特征描述和提取， 进而进行基于3D内容的检索，组合重用等。 点云的分割与分类也算是一个大Topic了，这里因为多了一维就和二维图像比...
Open3d 二 点云转mesh并实现空洞修复、mesh简化、mesh细化
m0_74259636的博客
11-17 1万+
点云是由大量的点组成的三维数据集，而mesh是由三角形组成的三维模型。点云转换为mesh的过程称为曲面重建。曲面重建的目的是从点云数据中提取出表面的形状信息。曲面重建的方法有很多种，其中一种常用的方法是贪心投影三角化法。该方法的大致流程如下：将点云通过法线投影到某一二维坐标平面内，对投影得到的点云做平面内的三角化，从而得到各点的拓扑连接关系。最后根据平面内投影点的拓扑连接关系确定各原始三维点间的拓扑连接，所得三角网格即为重建得到的曲面模型（mesh）。
HyperWorks一维单元创建与模型连接管理
ICAEgz的博客
10-08 1434
• 用于建立连接的线，可以在 HyperMesh 中，通过 offset，spacing 以及 density set 等参数，切分若干长度相等或等的段，或控制预期节点密度等方式，以控制最终生成的连接单元的排布方式。我们可以使用一维单元连接节点，或将不匹配的网格部件进行连接，进行载荷施加，以及用于建立焊接，螺栓，铆钉等等各类工程中经常运用的模型连接方式。有简单的刚性连接单元，有包含复杂截面的梁单元，也有可以精确模拟拉伸、剪切、扭转等力学行为的复杂一维单元。HyperMesh 1D 面板下，创建连接的工具。
点云降采样（DownSampling）
热门推荐
MSTIFIY的博客
07-26 1万+
点云降采样学习笔记
PCL批量将mesh对象采样生成点云数据
fabulousli的博客
03-16 3788
#include &lt;pcl/visualization/pcl_visualizer.h&gt; #include &lt;pcl/io/pcd_io.h&gt; #include &lt;pcl/io/ply_io.h&gt; #include &lt;pcl/io/vtk_lib_io.h&gt; #include &lt;pcl/common/transforms.h&gt; #inc...
聊一聊点云PCL中常用的高级采样方法
CV_Autobot的博客
01-17 3251
作者|敢敢のwings 编辑| 古月居点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【多传感器融合】技术交流群后台回复【多传感器融合综述】获取图像/激光雷达/毫米波雷达融合综述等干货资料！0. 简介我们在使用PCL时候，常常不满足于常用的降采样方法，这个时候我们就想要借鉴一些比较经典的高级采样方法。这一讲我们将对常用的高级采样方法进行汇总，并进行整理...
HyperMesh 基础建模操作
vclab的博客
11-20 7112
本次主要介绍的常用单元类型属于OptiStruct与Nastran求解器下所用的单元。
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
DAOCHI
11-06 9382
一、基本简介 论文下载地址：https://arxiv.org/abs/1612.00593 代码开源地址：https://github.com/charlesq34/pointnet 最近，开始研究基于3D点云的深度学习算法。PointNet 作为点云特征提取的开创性论文，非常有必要好好研究总结。本文在翻译论文时，会结合代码来解释每一个关键点或者关键模块。同时，本文翻译会附英文原文和中文翻译对照，目的是为了让大家能够通过中文理解该论文的同时，也可以参照英文原文，形成自己的理解以及对翻译的勘误。 Ab
pcl--第三节 关键点
进击的菜鸟
09-14 335
关键点也称为兴趣点，它是 2D 图像或 3D 点云或曲面模型上,可以通过检测标准来获取的具有稳定性、区别性的点集。从技术上来说,关键点的数量比原始点云或图像的数据量少很多，其与局部特征描述子结合组成关键点描述子。常用来构成原始数据的紧凑表示 ，具有代表性与描述性，从而加快后续识别、追踪等对数据的处理速度。固而，关键点提取就成为 2D 与 3D 信息处理中不可或缺的关键技术。提取的过程必须考虑边缘以及物体表面变化信息在内;关键点的位置必须稳定的可以被重复探测，即使换了不同的视角;
深度卷积神经网络_深度卷积神经网络中的降采样
weixin_39657444的博客
12-06 434
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“”立刻申请入群~作者 |mileistone来源 |https://zhuanlan.zhihu.com/p/46633171已获作者授权，请勿二次转载降采样指的...
PCL经典代码赏析六：深度图像及关键点提取
Neverland_LY‘s Domain
01-27 1万+
· 说明 以下均为 Being_young 前辈所写，现转载过来，再加上自己的理解，重新写了一遍，方便自己日后使用 博客地址：http://blog.csdn.net/u013019296/article/ · 目录索引 PCL 深度图像 PCL 深度图像提取边界 PCL 关键点 NARF(Normal Aligned Radial Feature) 关键点 · PCL 深
用PCL进行点云的表面重建，用贪婪投影三角法进行网格化
xuanzijiejie的博客
05-14 1万+
从完全不知到弄出结果用了好几天的时间，虽然结果还不是很理想，但也值得纪念一下，总结一下过程中出现的问题。 按照上一篇博客中的算法代码（如下）就可以，问题处在pcd文件上，pcd文件有固定的书写格式，可以按程序生成，也可以自己写，只要格式没问题即可。 接下来就是储存位置问题，pcd文件要和可执行文件即.exe文件放在同一文件夹下。运行程序，即可看到输出结果。 #include #inclu
unity vfx sample mesh
最新发布
03-18
- 配置 `Sample Mesh` 参数，例如设置采样的密度、分布模式（均匀随机/固定间隔）、方向偏移等。 这些配置允许用户灵活调整粒子的行为方式，使其更贴合实际需求。 #### 示例代码片段：C# 控制 Render Texture ...
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