PCL点云使用贪婪三角化进行曲面重构

2024-02-28 16:18

本文主要是介绍PCL点云使用贪婪三角化进行曲面重构,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!

一、PCL点云平滑和法线估计

题目:https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486705&idx=1&sn=ca333d7bb12b7c226270e98d0003a789&chksm=97d7e966a0a06070a8dba605966016d227d7a6cad786498070d9e1b8cea8747470a4840257fd&scene=21#wechat_redirect

/***************************** 题目:给定一个融合后的点云,已经对其进行下采样和滤波(代码已给)。* 请对其进行平滑(输出结果),然后计算法线,并讲法线显示在平滑后的点云上(提供截图)。*
* 本程序学习目标:* 熟悉PCL的平滑、法线计算、显示,为网格化做铺垫。** 公众号:计算机视觉life。发布于公众号旗下知识星球:从零开始学习SLAM* 时间:2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>typedef pcl::PointXYZRGB PointT;int main(int argc, char** argv)
{// Load input filepcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1){cout << "点云数据读取失败!" << endl;}std::cout << "Orginal points number: " << cloud->points.size() << std::endl;// 下采样,同时保持点云形状特征pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体downSampled.filter (*cloud_downSampled);           //执行滤波处理,存储输出std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);// 统计滤波pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filteredstd::cout << "cloud_filtered: " << cloud_filtered->size()<<std::endl;pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);// ----------------------开始你的代码--------------------------//// 请参考PCL官网实现以下功能// 对点云重采样pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);pcl::PointCloud<PointT> mls_point;pcl::MovingLeastSquares<PointT,PointT> mls;mls.setComputeNormals(false);mls.setInputCloud(cloud_filtered);mls.setPolynomialOrder(2);mls.setPolynomialFit(false);mls.setSearchMethod(treeSampling);mls.setSearchRadius(0.05);mls.process(mls_point);// 输出重采样结果cloud_smoothed = mls_point.makeShared();std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;//save cloud_smoothedpcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);// 法线估计pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;normalEstimation.setInputCloud(cloud_smoothed);pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);normalEstimation.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);normalEstimation.setKSearch(10);normalEstimation.compute(*normals);std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;pcl::io::savePCDFileASCII("normals.pcd",*normals);// ----------------------结束你的代码--------------------------//// 显示结果boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));viewer->setBackgroundColor (0, 0, 0);pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//colorviewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");viewer->initCameraParameters ();while (!viewer->wasStopped ()){viewer->spinOnce (100);boost::this_thread::sleep (boost::posix_time::microseconds (100000));}return 0;
}

1、控制法线显示的数目:

    viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");

   10,就是每10个法线显示一个。

   0.1,就是每个法线的长度。

2、获取PointCloud的Fields

pcl::getFieldsList(*normals)

二、贪婪三角化投影曲面重建

计算流程:点云输入 --> 下采样 --> 统计滤波去除离群点 --> mls移动最小二乘法进行平滑处理 --> 对平滑后的点云进行法线估计(有向点云) --> 将法线和平滑后的点云的Fields拼接在一起 --> 贪婪三角化 -->显示输出

/***************************** 题目:给定一个融合后的点云,已经对其进行下采样和滤波(代码已给)。* 请对其进行平滑(输出结果),然后计算法线,并讲法线显示在平滑后的点云上(提供截图)。*
* 本程序学习目标:* 熟悉PCL的平滑、法线计算、显示,为网格化做铺垫。** 公众号:计算机视觉life。发布于公众号旗下知识星球:从零开始学习SLAM* 时间:2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>#include <pcl/surface/gp3.h>typedef pcl::PointXYZ PointT;int main(int argc, char** argv)
{// Load input filepcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1){cout << "点云数据读取失败!" << endl;}std::cout << "Orginal points number: " << cloud->points.size() << std::endl;// 下采样,同时保持点云形状特征pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体downSampled.filter (*cloud_downSampled);           //执行滤波处理,存储输出std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);// 统计滤波pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filteredstd::cout << "cloud_statical_filtered: " << cloud_filtered->size()<<std::endl;pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);// ----------------------开始你的代码--------------------------//// 请参考PCL官网实现以下功能// 对点云重采样pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);pcl::PointCloud<PointT> mls_point;pcl::MovingLeastSquares<PointT,PointT> mls;mls.setComputeNormals(false);mls.setInputCloud(cloud_filtered);mls.setPolynomialOrder(2);mls.setPolynomialFit(false);mls.setSearchMethod(treeSampling);mls.setSearchRadius(0.05);mls.process(mls_point);// 输出重采样结果cloud_smoothed = mls_point.makeShared();std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;//save cloud_smoothedpcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);// 法线估计pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;normalEstimation.setInputCloud(cloud_smoothed);pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);normalEstimation.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);normalEstimation.setKSearch(10);normalEstimation.compute(*normals);std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;pcl::io::savePCDFileASCII("normals.pcd",*normals);//Triangle Projectionpcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);pcl::concatenateFields(*cloud_smoothed,*normals,*cloud_with_normals);std::cout<<"cloud_with_normals fields: "<<pcl::getFieldsList(*cloud_with_normals)<<std::endl;pcl::io::savePCDFileASCII("cloud_with_normals.pcd",*cloud_with_normals);pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);tree2->setInputCloud(cloud_with_normals);pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;pcl::PolygonMesh triangles;gp3.setSearchRadius(0.1);gp3.setMu(2.5);gp3.setMaximumNearestNeighbors(52);gp3.setMaximumAngle(2*M_PI/3);gp3.setMinimumAngle(M_PI/18);gp3.setMaximumSurfaceAngle(M_PI/4);gp3.setNormalConsistency(false);gp3.setInputCloud(cloud_with_normals);gp3.setSearchMethod(tree2);gp3.reconstruct(triangles);// ----------------------结束你的代码--------------------------//// 显示结果boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));viewer->setBackgroundColor (0, 0, 0);
/*pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//colorviewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");
*/viewer->addPolygonMesh(triangles,"GPTriangle");viewer->addText("GPTriangle",0,0,"GPTriangle");viewer->initCameraParameters ();while (!viewer->wasStopped ()){viewer->spinOnce (100);boost::this_thread::sleep (boost::posix_time::microseconds (100000));}return 0;
}

参考:https://cloud.tencent.com/developer/article/1436518

可视化:

 重建效果图2:

几个需要注意的地方:

1、贪婪三角化算法必须要求点云是平滑的,且密度变化均匀(这也是上一步为什么要做一个平滑处理)。

2、 贪婪投影三角化要求输入的点云必须是有向点云,所以对平滑后的点云进行法向量估计,并且将其Fields拼接在一起

3、拼接Fields的时候函数

pcl::concatenateFields
只能接受PointXYZ类型的点云数据,对于平滑后的带有RGB信息的点云要将其以PointXYZ的类型读入。

4、重建结果显示是函数

viewer->addPolygonMesh(triangles,"GPTriangle");

 

这篇关于PCL点云使用贪婪三角化进行曲面重构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/755992

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库:创建新文件夹,进入文件夹目录,执行指令 git init ,用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的