点云采样方法

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
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。

### 改进项点云采样的策略 #### 优化目标函数 为了提高点云采样方法的效果,在设计损失函数时可以引入额外的约束条件来保持原始数据的关键特性。例如,通过最小化重建误差的同时最大化不同样本间的距离度量,从而确保生成的点分布更加均匀[^1]。 #### 多尺度处理 采用多层次结构分析能够捕捉到局部细节与整形态之间的关系。具做法是在多个分辨率级别上执行下采样操作,并利用这些层次的信息指导最终的选择过程。这种方法有助于保留重要的几何特征而不丢失全局一致性[^2]。 #### 结合外部信息源 借助其他模态的数据作为辅助输入可以帮助改善单纯依赖三维坐标所带来的局限性。比如先由文本描述合成视角图像再据此推断出对应的立位置;或者融合来自RGB-D相机的颜色纹理等属性共同决定哪些部分应该被优先选取。 #### 自适应调整机制 根据不同应用场景的需求动态改变参数设置也是提升效率的有效途径之一。对于实时性强的任务来说,可适当放宽精度要求换取更快的速度表现;反之则追求极致准确性即使代价更高也值得考虑。此外还可以根据当前设备资源状况灵活切换算法版本以达到最佳平衡状态。 ```python def adaptive_sampling(points, target_num_points): """自适应调整采样数量""" ratio = len(points) / float(target_num_points) if ratio > 2: # 当点数远超需求时快速减少至近似规模 downsampled = farthest_point_sample(points, int(len(points)/2)) elif ratio < 0.8: # 若不足则补充新生成随机点直至满足数目 extra = generate_random_points_around_existing Ones(points, target_num_points-len(points)) downsampled = np.concatenate((points,extra), axis=0) else: downsampled = points final_selection = furthest_first_traversal(downsampled, target_num_points) return final_selection ```
评论
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