pclpy Ransac平面分割算法输出的索引从点云中提取点云的子集

本文主要是介绍pclpy Ransac平面分割算法输出的索引从点云中提取点云的子集,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

pclpy Ransac平面分割算法输出的索引从点云中提取点云的子集

      • 一、算法原理
      • 二、代码
      • 三、结果
          • 1.`sor`统计滤波
          • 2.`Ransac`内点分割平面
          • 3.`Ransac`外点分割平面
      • 四、相关数据

一、算法原理

1、Ransac介绍
RANSAC(RAndom SAmple Consensus,随机采样一致)算法是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。“外点”一般指的是数据中的噪声,比如说匹配中的误匹配和估计曲线中的离群点。所以,RANSAC也是一种“外点”检测算法。RANSAC算法是一种不确定算法,它只能在一种概率下产生结果,并且这个概率会随着迭代次数的增加而加大(之后会解释为什么这个算法是这样的)。

RANSAC主要解决样本中的外点问题,最多可处理50%的外点情况。

在这里插入图片描述
范例

可以简单总结为以下步骤:
N:样本个数 K:求解模型需要的最少的点的个数(对于直线拟合来说就是两个点,对于计算Homography矩阵就是四个点)

随机采样K个点
对该K个点拟合模型
计算其他点到拟合模型的距离。如果小于一定阈值,该点被当作内点,统计内点个数
重复M次,选择内点数最多的模型
利用所有的内点重新估计模型(可选)

RANSAC用于拟合直线:
1.随机选取K = 2 ,2个点:
在这里插入图片描述
2.拟合一条直线:
在这里插入图片描述
3.统计内点个数,内点为绿色,此时的内点个数为9(小于一定阈值计算为内点):
在这里插入图片描述
4.重复上述过程M次,找到内点数最大的模型(继续随机选点根据k=数目进行选点):
在这里插入图片描述
5.利用所有的内点重新估计直线:
在这里插入图片描述

二、代码

from pclpy import pcldef compareCloudShow(cloud1, cloud2):"""Args:在一个窗口生成2个窗口可视化点云cloud1: 点云数据1cloud2: 点云数据2"""viewer = pcl.visualization.PCLVisualizer("viewer")  # 建立可刷窗口对象 窗口名 viewerv0 = 1  # 设置标签名(0, 1标记第一个窗口)viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v0)  # 创建一个可视化的窗口viewer.setBackgroundColor(0.0, 0.0, 0.0, v0)  # 设置窗口背景为黑色single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud1, 255.0, 0, 0.0)  # 将点云设置为红色viewer.addPointCloud(cloud1,          # 要添加到窗口的点云数据。single_color,    # 指定点云的颜色"sample cloud1",  # 添加的点云命名v0)  # 点云添加到的视图v1 = 2  # 设置标签名(2代表第二个窗口)viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v1)  # 创建一个可视化的窗口viewer.setBackgroundColor(255.0, 255.0, 255.0, v1)  # 设置窗口背景为白色single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud2, 0.0, 255.0, 0.0)  # 将点云设置为绿色viewer.addPointCloud(cloud2,  # 要添加到窗口的点云数据。single_color,  # 指定点云的颜色"sample cloud2",  # 添加的点云命名v1)  # 点云添加到的视图# 设置点云窗口(可移除对点云可视化没有影响)viewer.setPointCloudRenderingProperties(0,  # 设置点云点的大小1,  # 点云像素"sample cloud1",  # 识别特定点云v0)  # 在那个窗口可视化viewer.setPointCloudRenderingProperties(0,  # 设置点云点的大小1,  # 点云像素"sample cloud2",  # 识别特定点云v1)  # 在那个窗口可视化viewer.addCoordinateSystem(1.0)  # 设置坐标轴 坐标轴的长度为1.0# 窗口建立while not viewer.wasStopped():viewer.spinOnce(10)if __name__ == '__main__':# 读取点云数据cloud = pcl.PointCloud.PointXYZ()reader = pcl.io.PCDReader()reader.read('res/table_scene_lms400.pcd', cloud)print('点云数目:', cloud.size())# 创建sor滤波器 参考 pclpy SOR去除异常值(统计滤波) pclpy专栏中cloud_filtered = pcl.PointCloud.PointXYZ()sor = pcl.filters.StatisticalOutlierRemoval.PointXYZ()  # 创建sor处理对象sor.setInputCloud(cloud)  # 将cloud处理sor.setMeanK(50)  # 每个点要分析的邻居数sor.setStddevMulThresh(1.0)  # 距离查询点的平均距离大于1个标准差的点都将被标记为离群值并删除sor.filter(cloud_filtered)  # sor处理后的点云保存在这里(内点)# 可视化滤波效果compareCloudShow(cloud, cloud_filtered)  # 参考 pclpy 可视化点云(多窗口可视化、单窗口多点云可视化) pclpy在专栏中coeffs = pcl.ModelCoefficients()  # 存储估计的平面参数inliers = pcl.PointIndices()  # 存储平面模型的内点索引# 创建分割objectseg = pcl.segmentation.SACSegmentation.PointXYZ()# 可选项seg.setOptimizeCoefficients(True)# 设置seg.setModelType(0)  # 0平面模型seg.setMethodType(0)  # 表示 RANSAC 算法  open3d 平面分割(Ransac算法) 专栏open3dseg.setMaxIterations(1000)  # 设置 RANSAC 算法的最大迭代次数为 1000。seg.setDistanceThreshold(0.01)  # 设置平面模型的距离阈值为 0.01,用于判断点是否为内点(inliers)# 创建滤波objectextract = pcl.filters.ExtractIndices.PointXYZ()nr_points = cloud_filtered.size()  # 获得点云数目while cloud_filtered.size() > nr_points * 0.3:# 从保留的点云中分割最大的平面成分seg.setInputCloud(cloud_filtered)  # 将滤波后的点云数据设置为分割器的输入seg.segment(inliers, coeffs)  # 分割后的内点索引保存在 inliers 中,将平面模型系数保存在 coeffsif len(inliers.indices) == 0:print('无法对给定数据集估计平面模型。')break# 提取内点(平面成分)extract.setInputCloud(cloud_filtered)  # 从点云中提取指定索引的点 和 open3d 中的select_index_by()一样extract.setIndices(inliers)  # 将计算索引进行装填extract.setNegative(False)  # 获得内点cloud_p = pcl.PointCloud.PointXYZ()extract.filter(cloud_p)# 可视化提取出来的平面compareCloudShow(cloud_filtered, cloud_p)print("点云数目:", cloud_p.size())# 再次滤波,提取外点(非平面成分)extract.setNegative(True)   # 获得外点cloud_f = pcl.PointCloud.PointXYZ()  extract.filter(cloud_f)cloud_filtered.swap(cloud_f)  # 等价于cloud_filtered = cloud_f

三、结果

1.sor统计滤波

在这里插入图片描述

2.Ransac内点分割平面

在这里插入图片描述

3.Ransac外点分割平面

在这里插入图片描述

四、相关数据

pclpy SOR去除异常值(统计滤波):pclpy SOR去除异常值(统计滤波)-CSDN博客

pclpy 可视化点云(多窗口可视化、单窗口多点云可视化):pclpy 可视化点云(多窗口可视化、单窗口多点云可视化)-CSDN博客

open3d 平面分割(Ransac算法) open3d 平面分割(Ransac算法)-CSDN博客
在这里插入图片描述

这篇关于pclpy Ransac平面分割算法输出的索引从点云中提取点云的子集的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/745273

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

2、PF-Net点云补全

2、PF-Net 点云补全 PF-Net论文链接:PF-Net PF-Net (Point Fractal Network for 3D Point Cloud Completion)是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑,都是采用GAN模型的思想来进行补全,在图片补全中,将部分像素点删除并且标记,然后卷积特征提取预测、判别器判别,来训练模型,生成的像

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int