PCL RGB彩色点云分割,基于HSV

本文介绍了一种将点云从RGB颜色空间转换到HSV颜色空间的方法,并利用色调(Hue)进行目标分割,实现了底座与块茎的有效分离。通过代码示例详细展示了如何使用PCL库完成这一过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

将点云从RGB空间转换到HSV空间然后通过Hue来筛选点云

直接上代码
// 头文件可能放的有点多,很多用不到

#include<iostream>
#include <boost/thread/thread.hpp>
#include <boost/shared_ptr.hpp>
#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/io/io.h>
#include <pcl/io/ascii_io.h>
#include <pcl/io/vtk_lib_io.h>
#include <pcl/point_types.h>
#include <pcl/point_types_conversion.h>
#include <pcl/point_cloud.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/visualization/pcl_plotter.h>
#include <pcl/common/common.h>
#include <pcl/common/transforms.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/moment_of_inertia_estimation.h>
#include <pcl/surface/gp3.h>
#include <pcl/surface/poisson.h>
#include <pcl/surface/mls.h>
#include <pcl/surface/concave_hull.h>
#include <pcl/features/principal_curvatures.h>
#include <boost/thread/thread.hpp>
#include <math.h>

using namespace std;

// 分割出底座函数
pcl::PointCloud<pcl::PointXYZRGB>::Ptr holder_extraction(pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud)
{
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr holder(new pcl::PointCloud<pcl::PointXYZRGB>);
	pcl::PointCloud<pcl::PointXYZHSV>::Ptr cloud_HSV(new pcl::PointCloud<pcl::PointXYZHSV>);
	pcl::PointCloudXYZRGBtoXYZHSV(*cloud, *cloud_HSV);

	pcl::PointIndices::Ptr inliers(new pcl::PointIndices());

	for (int i = 0; i < cloud->points.size(); i++)                         //holder
	{
		if (cloud_HSV->points[i].h < 250 && cloud_HSV->points[i].h > 180)            // increase the first parameter to have better visualisation of holder
		{
			inliers->indices.push_back(i);
		}
	}
	pcl::ExtractIndices<pcl::PointXYZRGB> eifilter(true);
	eifilter.setInputCloud(cloud);
	eifilter.setIndices(inliers);
	eifilter.filter(*holder);

	return holder;
}
// 分割出块茎
pcl::PointCloud<pcl::PointXYZRGB>::Ptr body_extraction(pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud)
{
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr body(new pcl::PointCloud<pcl::PointXYZRGB>);
	pcl::PointCloud<pcl::PointXYZHSV>::Ptr cloud_HSV(new pcl::PointCloud<pcl::PointXYZHSV>);
	pcl::PointCloudXYZRGBtoXYZHSV(*cloud, *cloud_HSV);

	pcl::PointIndices::Ptr inliers(new pcl::PointIndices());

	for (int i = 0; i < cloud->points.size(); i++)                         //holder
	{
		if ((cloud_HSV->points[i].h < 50 && cloud_HSV->points[i].h > 0) || cloud_HSV->points[i].h > 320)            // increase the first parameter to have better visualisation of holder
		{
			inliers->indices.push_back(i);
		}
	}
	pcl::ExtractIndices<pcl::PointXYZRGB> eifilter(true);
	eifilter.setInputCloud(cloud);
	eifilter.setIndices(inliers);
	eifilter.filter(*body);

	return body;
}

int main(int argc, char** argv) {
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
	//*加载点云pcd文件
	if (pcl::io::loadPCDFile<pcl::PointXYZRGB>("1.pcd", *cloud) == -1) //* load the file
	{
		PCL_ERROR("Couldn't read file \n");
		return(-1);
	}

	pcl::PointCloud<pcl::PointXYZRGB>::Ptr holder1 = holder_extraction(cloud);
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr body1 = body_extraction(cloud);


	// 点云可视化
	pcl::visualization::CloudViewer viewer("cloud viewer");
	viewer.showCloud(body1);
	while (!viewer.wasStopped()) 
	{
	}
		
	system("pause");
	return 0;
}

注意事项: RGB RGB RGB 重要的事情说三遍!!!
读取点云要使用:
pcl::PointCloudpcl::PointXYZRGB::Ptr cloud(new pcl::PointCloudpcl::PointXYZRGB);
如果用
pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
读出来没有RGB信息,后面调用函数也会报错缺少指针类型转换

效果图,土豆:
在这里插入图片描述
效果图,底座:
在这里插入图片描述
土豆点云pcd文件:
链接:https://pan.baidu.com/s/12qc3uw0sTmycVnNb_NWfkA
提取码: 7qc9

<think>好的,我现在需要处理用户关于红外3D雷达坐标到2D图像转化的开发问题。首先,我需要理解用户的具体需求。他们可能是在开发某种应用,比如自动驾驶、机器人导航或者安防监控,需要将三维雷达数据转换成二维图像进行分析或显示。 接下来,我得考虑用户可能的技术背景。他们可能是工程师或开发者,具备一定的编程和图像处理知识,但可能对具体的转换方法不太熟悉。因此,我的回答需要详细但不过于复杂,涵盖关键步骤和常见方法,同时提供实际例子和注意事项。 用户的问题核心是坐标转换,这涉及到三维到二维的映射。我需要先解释基本原理,比如透视投影和正交投影的区别,以及为什么选择某种方法。然后,可能需要讨论具体的步骤,如坐标系的定义、标定、投影矩阵的计算等。 另外,用户提到的是红外3D雷达,这可能意味着数据具有特定的特性,比如点云稀疏性、噪声问题,或者需要考虑红外传感器的特性。这些因素可能影响转换过程中的滤波、插值等处理步骤。 我需要考虑开发过程中可能遇到的挑战,比如如何处理不同分辨率的雷达数据与图像之间的匹配,或者如何优化算法以提高实时性。此外,可能还需要提到常用的库和工具,如OpenCV、PCL点云库),以及编程语言如Python或C++的应用。 还要想到用户可能关心的实际应用案例,比如在自动驾驶中如何使用这种转换进行障碍物检测,或者在工业检测中的具体应用场景。这些例子能帮助用户更好地理解技术的实用性。 最后,需要确保回答结构清晰,分步骤说明,并提供参考资料或进一步学习的建议,帮助用户深入研究和解决问题。同时,要避免使用过于专业的术语,或在必要时进行解释,确保内容的可理解性。</think>将红外3D雷达采集的三维坐标数据转换为2D图像是一个涉及多学科交叉的技术过程,以下是开发要分步说明: --- ### **1. 坐标系定义** - **雷达坐标系**:定义原在雷达中心的右手坐标系 (X,Y,Z) - **图像坐标系**:定义图像左上角为原的像素坐标系 (u,v) - **世界坐标系**:可选的外部参考坐标系(如地面坐标系) --- ### **2. 坐标转换原理** 使用投影矩阵实现三维到二维的映射: $$ \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \cdot \begin{bmatrix} R|t \end{bmatrix} \cdot \begin{bmatrix} X \\ Y \\ Z \\ 1 \end{bmatrix} $$ 其中: - $K$:相机内参矩阵 $\begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix}$ - $R|t$:雷达与相机的旋转平移矩阵(外参) - $f_x,f_y$:等效焦距 - $c_x,c_y$:主坐标 --- ### **3. 开发步骤** 1. **传感器标定**: - 使用棋盘格标定板同时获取雷达点云和图像数据 - 通过最小二乘法求解外参矩阵 $R,t$ - 示例代码片段(OpenCV): ```python ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, img_size, None, None) ``` 2. **点云预处理**: - 降噪:采用统计滤波移除离群 - 地面分割:使用RANSAC算法分离地面 - 体素滤波:降低点云密度 3. **投影计算**: - 对每个有效点云坐标应用投影方程 - 处理深度信息冲突(同一像素映射多个时保留最近) 4. **图像生成**: - 创建空白二维矩阵作为画布 - 根据投影结果填充像素值(常用方式): * 强度映射:$\text{像素值}=k \cdot \text{反射强度}$ * 高度伪彩色:$\text{颜色}=hsv2rgb(Z_{normalized}, 1, 1)$ * 密度热力图:统计单位面积数 5. **后处理优化**: - 双边滤波消除噪声 - 形态学操作填充空洞 - 超分辨率重建(可选) --- ### **4. 关键技术挑战** | 挑战 | 解决方案 | |-------|----------| | 点云稀疏性 | 多帧累积 + 插值补偿 | | 运动畸变 | IMU数据融合 + 运动补偿 | | 分辨率差异 | 自适应栅格化 + 反投影优化 | | 实时性要求 | CUDA并行加速 + 内存复用 | --- ### **5. 典型应用场景 - **自动驾驶**:生成BEV(鸟瞰图)用于障碍物检测 - **安防监控**:入侵目标轨迹可视化 - **工业检测**:设备表面形变分析 --- ### **开发工具推荐** - **数据处理**:PCL (Point Cloud Library) - **图像处理**:OpenCV - **矩阵运算**:Eigen - **可视化**:ROS Rviz/Matplotlib - **硬件加速**:CUDA/OpenCL 建议参考论文《Efficient LIDAR-Camera Calibration Using 3D-3D Point Correspondences》了解最新标定方法,实际开发中需特别注意时空同步问题,推荐采用硬件触发同步机制。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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