点云采样方法

最新推荐文章于 2024-08-27 08:11:36 发布

layB

最新推荐文章于 2024-08-27 08:11:36 发布

阅读量2.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： PointCloud Fusion 学习报告文章标签：计算机视觉

本文链接：https://blog.youkuaiyun.com/DARLINGB/article/details/129861186

学习报告同时被 2 个专栏收录

24 篇文章

订阅专栏

PointCloud Fusion

9 篇文章

订阅专栏

1.体素降采样

体素（Voxel)：将三维空间划分成一个个立体的方格，每个方格就叫一个体素。
在这里插入图片描述
在每个体素中可能存在几个点，也可能没有点。降采样的思路为：检查每个体素中是否有点存在，若有，则对这些点取平均或加权平均得到一个点，以此来替代原来网格中所有的点。
显然，网格选取越大则采样之后的点云越少，处理速度变快，但会对原先点云过度模糊，网格选取越小，则作用相反。通常，这个采样点可以是体素中所有点坐标的平均值（质心），也可以是中心点或者离中心点最近的点。

效率高
采样点分布比较均匀
可以通过控制体素大小间接控制采样点的距离（采样后点云的稀疏程度）但是不能精确控制采样点个数
采集到的点云数量不可控

核心代码如下：

 pcl::VoxelGrid<pcl::PointXYZ> sor;    //创建体素网格采样处理对象
 sor.setInputCloud(cloud);             //设置输入点云
 sor.setLeafSize(0.01f, 0.01f, 0.01f); //设置体素大小，单位：m
 sor.filter(*cloud_filtered);          //进行下采样

2.均匀采样

均匀采样的原理类似于体素化网格采样方法，同样是将点云空间进行划分，不过是以半径=r的球体，在当前球体所有点中选择距离球体中心最近的点替代所有点，注意，此时点的位置是不发生移动的。球体半径选取越大则采样之后的点云越少，处理速度变快，但会对原先点云过度模糊，网格选取越小，则作用相反。

均匀采样的特点是采样点分布均匀，不会移动点云点，准确度较高，但时间复杂度提升。

核心代码如下：

pcl::UniformSampling<pcl::PointXYZ> form;   // 创建均匀采样对象
form.setInputCloud(cloud);                  //设置输入点云
form.setRadiusSearch(0.02f);                //设置半径大小,单位:m
form.filter(*after_cloud);                  //执行滤波处理

3.几何采样

其原理是以点云的几何特征作为采样依据，这里以曲率为例。在点云中任意一点都存在某曲面，曲率计算示意图如图所示，曲率越大，弧的弯曲程度越大，表示该地方的特征点越多，故在点云曲率越大的地方，采样点数越多，实现方法如下：

1)首先计算每个点的K领域，然后计算点到领域点的法线夹角值，以此来近似达到曲率的效果并提高计算效率，因为曲率越大的地方，夹角值越大。

2)设置一个角度阈值，当点的领域夹角值大于阈值时被认为是特征明显的区域，其余区域为不明显区域。

3)对明显和不明显区域进行均匀采样，采样数分别为U*(1-V)和U*V,U是目标采样数，V是均匀采样性。
在这里插入图片描述

图2 点云曲率其特点是计算效率高，且局部点云的采样是均匀的，同时稳定性高，使得采样结果的抗噪性更强。

4. 随机下采样

随机下采样的原理十分简单，如图3所示，首先指定下采样的点数，然后进行随机点去除进行采样操作,得到下图
在这里插入图片描述

核心代码如下：

pcl::RandomSample<PointT> ran;     //创建滤波器对象
ran.setInputCloud(cloud);   //设置待滤波点云
ran.setSample(200);     //设置下采样点云的点数
ran.setSeed(1);      //设置随机函数种子点
ran.filter(*after_cloud);   //执行随机下采样滤波

5. 增采样

增采样的原理如图所示，当目前拥有的点云数据量较少时，通过内插点云的方法对目前的点云数据对进行扩充，达到保证基本形状不变的情况下增加点云。
在这里插入图片描述
增采样的特点是可极大的增加点云数据，但由于内插点的不确定性会导致最后输出的结果不一定准确。
核心代码如下:

//创建增采样对象
pcl::MovingLeastSquares<pcl::PointXYZ,pcl::PointXYZ> filter;    
filter.setInputCloud(cloud);                     //设置输入点云
pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree;  //定义搜索方法
filter.setSearchMethod(kdtree);                  //设置搜索方法
filter.setSearchRadius(0.03);    //设置搜索邻域的半径为3cm  
//Upsampling 采样的方法还有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
filter.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE);     //对点云进行上采样
filter.setUpsamplingRadius(0.03);    //设置采样半径大小，3cm
filter.setUpsamplingStepSize(0.02);  //设置采样步长大小，2cm
filter.process(*after_cloud);      //执行采样操作

6. 滑动最小二乘法采样

滑动最小二乘法采样的原理是将点云进行了滑动最小二乘法的映射，使得输出的点云更加平滑。

滑动最小二乘法的特点是适用于点云的光顺处理，但有时会牺牲表面拟合精度的代价来获得输出点云。

核心代码如下：

pcl::PointCloud<pcl::PointNormal>::Ptr smoothedCloud(new pcl::PointCloud<pcl::PointNormal>);   //定义法线
pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> filter;
pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree;  //定义搜索方法
filter.setInputCloud(cloud);    //设置输入点云
filter.setUpsamplingMethod();  //增加密度较小区域的密度对于holes的填补却无能为力，具体方法要结合参数使用
filter.setSearchRadius(10);// 用于拟合的K近邻半径。在这个半径里进行表面映射和曲面拟合。半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。
filter.setPolynomialFit(true);  //对于法线的估计是有多项式还是仅仅依靠切线。true为加多项式；false不加，速度较快
filter.setPolynomialFit(3);      // 拟合曲线的阶数
filter.setComputeNormals(true);  // 是否存储点云的法向量，true 为存储，false 不存储
filter.setSearchMethod(kdtree); //设置搜索方法
filter.process(*smoothedCloud); //处理点云并输出

以上就是常用的点云采样方法，根据其特点我们来进行总结一下，在下采样方法中
以体素化网格采样方法最为常用，因为其速度快，代码量少，且满足大多数时的点云处理要求；
均匀采样虽然精度高，但耗时高，可以用于更追求精度的场合下；
几何采样由于使用不多，方法很多，这里只是简答介绍了一下曲率采样，比较适用于不规则的且丰富表面特征的点云数据计算；
随机下采样由于能准确控制点云的输出数量，但过于随机，较少使用；
增采样用于增加点云数据，更适合用于解决曲面重建时点云数量缺少的问题；
而滑动最小二乘法同样是对点云数量的扩充，但主要是对点云形状进行平滑处理，所以更适合用来对点云结构进行优化。