Open3D ROR滤波：点云数据处理的优化方法

最新推荐文章于 2025-06-10 15:11:42 发布
最新推荐文章于 2025-06-10 15:11:42 发布
阅读量289 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 点云
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/XsupDatabase/article/details/133412360
点云 专栏收录该内容
74 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了Open3D库中的ROR滤波算法，这是一种用于点云数据处理的离群点去除方法。通过设定阈值和随机采样，ROR滤波能够有效优化点云数据，提高数据质量。虽然简单高效，但在噪声大或密度变化大的场景下可能受限。结合其他滤波算法可进一步提升效果。

点云数据处理在计算机视觉和机器人领域中扮演着重要的角色。而Open3D作为一款强大的开源库，提供了许多用于点云数据处理的功能。其中，ROR（Randomized Outlier Removal）滤波算法是一种经典的离群点去除方法，本文将介绍如何使用Open3D中的ROR滤波算法对点云数据进行优化处理。

ROR滤波算法的原理是随机采样并移除异常值。它通过设定指定的阈值来判断点是否为异常值，然后随机采样点云中的一部分点，并将超出阈值的点从样本中移除。具体步骤如下：

  1. 导入所需的库和模块
import open3d as o3d
  1. 读取点云数据
pcd = o3d.io.read_point_cloud("point_cloud.pcd")
了解本专栏 订阅专栏 解锁全文
点云离群点剔除 — open3d python
叶子的博客
04-29 1万+
点云离群点剔除 — open3d python，三种点云离群点剔除方法，含数据与源码。
Open3d离群点过滤方法：删除异常值的点云
.
08-09 863
Open3d库提供了几种常用的离群点过滤算法，包括统计学离群点检测（Statistical Outlier Removal，SOR）、半径离群点检测（Radius Outlier Removal，ROR）和条件密度离群点检测（Conditional Density-based Outlier Removal，CDOR）。统计学离群点检测、半径离群点检测和条件密度离群点检测是常用的离群点过滤算法，在实际应用中可以根据需求选择合适的算法进行处理。Open3d离群点过滤方法：删除异常值的点云。
open3d 两种点云滤波算法
三维点云技术探索
04-26 1891
这两种滤波非常有用，一定要用好； 半径滤波： 半径滤波器比较简单粗暴。以某点为中心画一个圆计算落在该圆中点的数量，当数量大于给定值时，则保留该点，数量小于给定值则剔除该点。此算法运行速度快，依序迭代留下的点一定是最密集的，但是圆的半径和圆内点的数目都需要人工指定； 统计滤波过滤： 第一次扫描：对每个点，我们计算它到它的所有临近N个点的平均距离。计算出这些距离的均值和标准差 第二次扫描：平均距离在M个标准差范围（由全局距离平均值和方差定义〉之外的点，可被定义为离群点并可从数据集中去除
Open3d处理点云数据-统计滤波(四)
weixin_47587392的博客
02-22 519
基于open3d的点云数据处理-统计滤波算法
Open3D 点云的离群点移除滤波
QfcaLinux的博客
09-27 342
离群点移除（Outlier Removal）是点云处理中常用的一种滤波方法，用于去除点云数据中的异常点或离群点，以提高数据的质量和准确性。在本文中，我们将介绍如何使用 Open3D 中的离群点移除滤波（Outlier Removal）方法对点云数据进行处理。接下来，我们可以使用 Open3D 提供的离群点移除滤波方法对点云数据进行处理。通过使用 Open3D 提供的滤波器，我们可以方便地去除点云数据中的离群点，从而提高数据的质量和准确性。方法对点云数据进行滤波，得到滤波后的点云数据。方法设置滤波器的参数。
Open3D中的ROR滤波：高效处理点云数据
CwzCode的博客
09-26 261
然而，点云数据通常包含噪声和离群点，这可能影响后续的分析和处理任务。为了解决这个问题，Open3D库提供了ROR（Robust Outlier Removal）滤波器，它能够高效地处理点云数据，去除噪声和离群点，提供更准确的数据。通过计算点与其最近邻点之间的距离，ROR滤波器能够去除噪声和离群点，提供更精确的点云数据。通过调整滤波器的参数，可以根据具体需求进行精细的处理，实现更好的结果。ROR滤波器的原理是基于统计学方法，通过计算点云中点与其最近邻点之间的距离来判断点的异常程度。方法设置滤波器的参数。
Open3D：基于源点的滤波算法在点云处理中的应用
UtiExamples的博客
09-25 205
然而，由于采集设备的限制以及环境噪声的干扰，点云数据常常包含大量的离群点和噪声。Open3D是一个开源的点云处理库，其中包含了一系列有效的滤波算法，如基于源点的滤波（Source-Based Outlier Removal, SOR）。具体而言，SOR算法首先定义了每个点的邻域范围，然后计算每个点与其邻域内其他点之间的距离。如果点的距离超过了预定的阈值，则该点被认为是离群点，并将其从点云数据中剔除。该算法通过源点的邻域信息，自适应地检测和过滤离群点，从而提高了点云数据的质量和可靠性。上述代码中，首先通过。
Open3D 点云处理笔记
akadiao的博客
06-10 325
摘要：本文介绍了使用Open3D库进行点云数据处理的基本操作。首先展示了如何加载和显示自带点云数据，然后演示了坐标轴可视化功能。接着详细讲解了点云的平移、旋转等几何变换操作，以及通过直通滤波实现点云裁剪的方法。文章还介绍了三种点云滤波技术：统计滤波去除离群点、体素滤波降采样、半径滤波剔除噪声点。最后展示了Octree和VoxelGrid两种点云空间划分结构的构建方法。所有操作均配有代码示例和可视化效果图，为点云处理提供了实用参考。（150字）
Open3D&Meshlab C++与Python文章目录汇总
dayuhaitang1的博客
08-06 4150
Open3D C++文章目录汇总
Open3d去除点云中的离群点
zhaoguanhua的博客
08-09 1803
一、统计式离群点 去除 remove_statistical_outlier(nb_neighbors,std_ratio) 二、半径式离群点去除 remove_radius_outlier(nb_points,radius) 三、参考 http://www.open3d.org/docs/latest/tutorial/Advanced/pointcloud_outlier_removal.html
Open3D离群点剔除
easyboot的专栏
01-13 1222
以上是一个基本的示例，实际使用时可能需要根据具体的点云数据和需求进行调整。参数用来确定剔除哪些点。如果一个点的距离大于平均距离加上。倍的标准差，那么这个点就会被认为是离群点，并被剔除。方法就是用来移除离群点的。参数用来指定每个点的邻居数量，
Open3D 点云处理：隐藏点云中的离群点
LpmShell的博客
09-27 250
然而，在实际应用中，点云数据可能包含离群点或噪声，这可能对后续的处理和分析造成困扰。Open3D是一个强大的开源库，提供了丰富的函数和工具，用于点云的处理和分析。本文将介绍如何使用Open3D库中的方法来移除点云中的离群点。该函数基于统计学的方法识别离群点，通过指定邻居点的数量和标准差比例来调整离群点的识别标准。在示例代码中，我们设置邻居点的数量为20个，标准差比例为2.0。通过以上步骤，我们成功使用Open3D库移除了点云数据中的离群点。最后，我们根据离群点的索引创建一个新的点云对象。
（2）点云库处理学习——剔除点云值
chencaw的专栏
11-29 2028
dd
Open3D 点云的半径滤波
纵马踏花向自由
06-20 1017
半径滤波（Radius Outlier Removal）是一种常用的点云滤波技术，通过移除与其邻居点距离过远的点，来去除孤立的噪声点。在Open3D中，可以方便地使用radius_outlier_removal函数来进行半径滤波。
Open3D 点云的均值滤波
纵马踏花向自由
06-20 561
均值滤波（Mean Filter）是一种常用的平滑技术，通过用邻域内点的平均值替换每个点的值来减少噪声。虽然Open3D没有直接提供均值滤波的函数，但可以通过一些基本操作来实现类似的效果。
open3d 点云去掉重复点（附python open3d 代码）
三维点云技术探索
09-15 852
从点云中删除所有重复xyz 数值的点。它还会删除相应的属性。
Open3D 删除点云中重叠的点（python详细过程版）【2025最新版】
点云侠的博客
08-04 5500
python实现删除点云中重叠的点。博客长期更新，最近一次更新时间为：2025年9月21日。
Open3D点云法向滤波
.
07-30 323
其中之一就是点云法向滤波，它可以有效地估计点云的法向信息。在实际应用中，原始点云数据可能存在噪声和不完整的问题，这会导致法向信息的不准确性和不一致性。通过应用法向滤波算法，我们可以去除噪声，并提供更准确和一致的法向估计结果。总结一下，本文介绍了Open3D库中的点云法向滤波算法，并给出了相应的源代码示例。通过应用该算法，我们可以对点云数据进行平滑和法向估计，从而提高点云数据的质量和可用性。通过以上步骤，我们成功地应用了Open3D的点云法向滤波算法，并对点云数据进行了平滑和法向估计。
基于Open3D的点云处理14-法向量
zfjBIT的专栏
08-05 963
open3d 法向量
#include <iostream> //标准输入输出头文件 #include <pcl/point_types.h> //点类型定义头文件 #include <pcl/io/ply_io.h> //I/O操作头文件 #include <pcl/io/pcd_io.h> //I/O操作头文件 #include <pcl/visualization/pcl_visualizer.h> #include <pcl/sample_consensus/ransac.h> #include <pcl/sample_consensus/sac_model_line.h> #include <ctime> #include <pcl/filters/passthrough.h> #include <pcl/filters/voxel_grid.h> #include <pcl/filters/statistical_outlier_removal.h> #include <pcl/filters/radius_outlier_removal.h> #include <pcl/registration/icp.h> //ICP配准类相关头文件 #include <Eigen/src/Core/util/Macros.h> #include <pcl/pcl_macros.h> #include <pcl/common/transforms.h> #include <Eigen/Geometry> #include <pcl/kdtree/kdtree_flann.h> #include <pcl/features/normal_3d_omp.h> #include <boost/thread/thread.hpp> #include <algorithm> // 包含std::sort #include <pcl/surface/mls.h> #include <vector> #include <pcl/io/obj_io.h> #include <pcl/filters/convolution_3d.h> #include <pcl/filters/median_filter.h> #include <pcl/filters/random_sample.h> #include <pcl/point_cloud.h> #include <pcl/features/normal_3d.h> #include <pcl/features/fpfh.h> #include <pcl/registration/ia_ransac.h> #include <thread> #include <pcl/registration/ndt.h> #include <pcl/segmentation/extract_clusters.h> #include <pcl/kdtree/kdtree.h> #include <pcl/common/centroid.h> #include <pcl/common/common.h> #include <pcl/sample_consensus/sac_model_circle.h> #include <pcl/filters/extract_indices.h> #include <pcl/surface/convex_hull.h> #include <cmath> #include <memory> #include < pcl/sample_consensus/sac_model_circle3d.h> #include <pcl/segmentation/sac_segmentation.h> #include <pcl/common/geometry.h> #include <pcl/features/boundary.h> // 边界估计头文件 #include <pcl/filters/project_inliers.h> #include <Eigen/Dense> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <pcl/visualization/cloud_viewer.h> #include <pcl/filters/crop_box.h> #include <pcl/search/kdtree.h> #include <string> #include <cstdlib> #include <pcl/registration/gicp.h> #include <pcl/console/time.h> #include <pcl/registration/icp_nl.h> // 注意：这里包含的是非线性ICP（使用LM）的头文件 #include <pcl/filters/approximate_voxel_grid.h> #include <omp.h> #include <chrono> #include <pcl/octree/octree_search.h> #include <pcl/features/impl/normal_3d_omp.hpp> #include "fast_gicp.hpp" #include <open3d/Open3D.h> #include <iomanip> // 添加这个头文件用于 std::setprecision #include <random> // 添加这个头文件用于随机数生成 using namespace std; typedef pcl::PointXYZ PointT; typedef pcl::PointCloud<PointT> PointCloudT; // /********************用于点面ICP配准****************//////////// //void cloudNormal(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointNormal>::Ptr& cloud_normals) //{ // pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速 // pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); // pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>()); // n.setNumberOfThreads(8);//含义：设置OpenMP使用的线程数。这里设置为8个线程，用于加速法线估计计算。通常设置为可用CPU核心数。注意：如果系统不支持OpenMP或核心数不足，实际线程数可能受限。 // n.setInputCloud(cloud); // n.setSearchMethod(tree); // n.setKSearch(10); //设置法线估计时使用的最近邻点数量（k近邻搜索）。此方法指定每个点的法线基于其最近的k个邻居计算得到。 // n.compute(*normals); // pcl::concatenateFields(*cloud, *normals, *cloud_normals); // 拼接点云及法向量 //} // /********************创建带文字标签的自定义坐标轴****************//////////// void addCoordinateSystemWithLabels( pcl::visualization::PCLVisualizer::Ptr viewer, float axis_length, // 坐标轴长度 float line_width, // 线宽（粗细） float text_scale, // 文字大小 const std::string& id_prefix = "axis_", float origin_x = 0.0f, float origin_y = 0.0f, float origin_z = 0.0f ) { // X轴（红色） pcl::PointXYZ x_start(origin_x, origin_y, origin_z); pcl::PointXYZ x_end(origin_x + axis_length, origin_y, origin_z); viewer->addLine(x_start, x_end, 1.0, 0.0, 0.0, id_prefix + "x_line"); viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_LINE_WIDTH, line_width, id_prefix + "x_line"); // 添加X标签 viewer->addText3D("X", x_end, text_scale, 1.0, 0.0, 0.0, id_prefix + "x_label"); // Y轴（绿色） pcl::PointXYZ y_start(origin_x, origin_y, origin_z); pcl::PointXYZ y_end(origin_x, origin_y + axis_length, origin_z); viewer->addLine(y_start, y_end, 0.0, 1.0, 0.0, id_prefix + "y_line"); viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_LINE_WIDTH, line_width, id_prefix + "y_line"); // 添加Y标签 viewer->addText3D("Y", y_end, text_scale, 0.0, 1.0, 0.0, id_prefix + "y_label"); // Z轴（蓝色） pcl::PointXYZ z_start(origin_x, origin_y, origin_z); pcl::PointXYZ z_end(origin_x, origin_y, origin_z + axis_length); viewer->addLine(z_start, z_end, 0.0, 0.0, 1.0, id_prefix + "z_line"); viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_LINE_WIDTH, line_width, id_prefix + "z_line"); // 添加Z标签 viewer->addText3D("Z", z_end, text_scale, 0.0, 0.0, 1.0, id_prefix + "z_label"); } // 提前声明估算点云平均点间距的辅助函数 double estimatePointSpacing(const std::shared_ptr<open3d::geometry::PointCloud>& cloud, int num_samples = 1000); // 半径滤波函数 void radiusFilterDemo(const std::string& source_file, const std::string& target_file) { std::cout << "=== Open3D 半径滤波性能测试 ===" << std::endl; // 参数设置 const int min_neighbors = 40; // 最小邻居数 const double radius = 1.2; // 搜索半径 // 处理源点云 std::cout << "\n--- 处理源点云: " << source_file << " ---" << std::endl; auto start_load_source = std::chrono::high_resolution_clock::now(); auto source_cloud = open3d::io::CreatePointCloudFromFile(source_file); auto end_load_source = std::chrono::high_resolution_clock::now(); if (!source_cloud || source_cloud->points_.empty()) { std::cerr << "错误: 无法读取源点云文件 " << source_file << std::endl; return; } auto load_duration_source = std::chrono::duration_cast<std::chrono::milliseconds>( end_load_source - start_load_source); std::cout << "加载时间: " << load_duration_source.count() << " ms" << std::endl; std::cout << "滤波前点数: " << source_cloud->points_.size() << std::endl; // 执行半径滤波 auto start_filter_source = std::chrono::high_resolution_clock::now(); std::shared_ptr<open3d::geometry::PointCloud> filtered_source; std::vector<size_t> inlier_indices_source; std::tie(filtered_source, inlier_indices_source) = source_cloud->RemoveRadiusOutliers( min_neighbors, radius); auto end_filter_source = std::chrono::high_resolution_clock::now(); auto filter_duration_source = std::chrono::duration_cast<std::chrono::milliseconds>( end_filter_source - start_filter_source); std::cout << "滤波时间: " << filter_duration_source.count() << " ms" << std::endl; std::cout << "滤波后点数: " << filtered_source->points_.size() << std::endl; double retention_rate_source = (filtered_source->points_.size() * 100.0 / source_cloud->points_.size()); std::cout << "保留比例: " << std::fixed << std::setprecision(2) << retention_rate_source << "%" << std::endl; // 处理目标点云 std::cout << "\n--- 处理目标点云: " << target_file << " ---" << std::endl; auto start_load_target = std::chrono::high_resolution_clock::now(); auto target_cloud = open3d::io::CreatePointCloudFromFile(target_file); auto end_load_target = std::chrono::high_resolution_clock::now(); if (!target_cloud || target_cloud->points_.empty()) { std::cerr << "错误: 无法读取目标点云文件 " << target_file << std::endl; return; } auto load_duration_target = std::chrono::duration_cast<std::chrono::milliseconds>( end_load_target - start_load_target); std::cout << "加载时间: " << load_duration_target.count() << " ms" << std::endl; std::cout << "滤波前点数: " << target_cloud->points_.size() << std::endl; // 执行半径滤波 auto start_filter_target = std::chrono::high_resolution_clock::now(); std::shared_ptr<open3d::geometry::PointCloud> filtered_target; std::vector<size_t> inlier_indices_target; std::tie(filtered_target, inlier_indices_target) = target_cloud->RemoveRadiusOutliers( min_neighbors, radius); auto end_filter_target = std::chrono::high_resolution_clock::now(); auto filter_duration_target = std::chrono::duration_cast<std::chrono::milliseconds>( end_filter_target - start_filter_target); std::cout << "滤波时间: " << filter_duration_target.count() << " ms" << std::endl; std::cout << "滤波后点数: " << filtered_target->points_.size() << std::endl; double retention_rate_target = (filtered_target->points_.size() * 100.0 / target_cloud->points_.size()); std::cout << "保留比例: " << std::fixed << std::setprecision(2) << retention_rate_target << "%" << std::endl; // 保存滤波后的点云（可选） std::cout << "\n--- 保存结果 ---" << std::endl; if (open3d::io::WritePointCloud("filtered_source.pcd", *filtered_source)) { std::cout << "源点云滤波结果保存为: filtered_source.pcd" << std::endl; } if (open3d::io::WritePointCloud("filtered_target.pcd", *filtered_target)) { std::cout << "目标点云滤波结果保存为: filtered_target.pcd" << std::endl; } // 汇总统计 std::cout << "\n=== 性能汇总 ===" << std::endl; std::cout << "源点云 - 加载: " << load_duration_source.count() << " ms, " << "滤波: " << filter_duration_source.count() << " ms, " << "总处理: " << (load_duration_source.count() + filter_duration_source.count()) << " ms" << std::endl; std::cout << "目标点云 - 加载: " << load_duration_target.count() << " ms, " << "滤波: " << filter_duration_target.count() << " ms, " << "总处理: " << (load_duration_target.count() + filter_duration_target.count()) << " ms" << std::endl; } // 估算点云平均点间距的辅助函数 double estimatePointSpacing(const std::shared_ptr<open3d::geometry::PointCloud>& cloud, int num_samples) { if (cloud->points_.size() < 2) return 0.01; open3d::geometry::KDTreeFlann kdtree(*cloud); double total_distance = 0.0; int count = 0; // 随机采样计算平均最近邻距离 std::random_device rd; std::mt19937 gen(rd()); std::uniform_int_distribution<> dis(0, static_cast<int>(cloud->points_.size()) - 1); for (int i = 0; i < std::min(num_samples, static_cast<int>(cloud->points_.size())); ++i) { int idx = dis(gen); std::vector<int> indices; std::vector<double> distances; if (kdtree.SearchKNN(cloud->points_[idx], 2, indices, distances) == 2) { total_distance += std::sqrt(distances[1]); // 第一个是自身 count++; } } return count > 0 ? total_distance / count : 0.01; } // 自适应参数版本（可选） void adaptiveRadiusFilterDemo(const std::string& source_file, const std::string& target_file) { std::cout << "\n=== 自适应参数半径滤波 ===" << std::endl; // 处理源点云 auto source_cloud = open3d::io::CreatePointCloudFromFile(source_file); if (!source_cloud || source_cloud->points_.empty()) return; // 估算点云密度并自适应参数 double avg_spacing = estimatePointSpacing(source_cloud); double adaptive_radius = avg_spacing * 4.0; // 半径为平均点间距的4倍 int adaptive_min_neighbors = static_cast<int>(15 * (0.01 / avg_spacing)); // 基于密度调整 std::cout << "估算点间距: " << avg_spacing << " m" << std::endl; std::cout << "自适应参数 - 半径: " << adaptive_radius << ", 最小邻居: " << adaptive_min_neighbors << std::endl; auto start_time = std::chrono::high_resolution_clock::now(); auto filtered_result = source_cloud->RemoveRadiusOutliers(adaptive_min_neighbors, adaptive_radius); auto end_time = std::chrono::high_resolution_clock::now(); auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end_time - start_time); auto filtered_source = std::get<0>(filtered_result); std::cout << "自适应滤波时间: " << duration.count() << " ms" << std::endl; std::cout << "滤波前: " << source_cloud->points_.size() << " 点" << std::endl; std::cout << "滤波后: " << filtered_source->points_.size() << " 点" << std::endl; } int main(int argc, char** argv) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud2(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud3(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud4(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud5(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud6(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered1(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered2(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered3(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered4(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered5(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered6(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered7(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered8(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered9(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered10(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered11(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered12(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered13(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered14(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered15(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered16(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered17(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered18(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered19(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered20(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered21(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered22(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered23(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered24(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered25(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered26(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered27(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered28(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered29(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr clouda(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloudb(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloudc(new pcl::PointCloud<pcl::PointXYZ>); //创建两个pcl::PointCloud<pcl::PointXYZ>共享指针，并初始化它们 pcl::PointCloud<pcl::PointXYZ>::Ptr clouda_left(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloudb_left(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloudb_right(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr clouda_right(new pcl::PointCloud<pcl::PointXYZ>); //if (pcl::io::loadPCDFile("point_cloud_20251119.pcd", *clouda) < 0)//读取标准点云 //{ // std::cout << "error"; //} //std::cout << "点云数量: " << clouda->points.size() << std::endl; clock_t start34 = clock(); if (pcl::io::loadPCDFile("point_cloud_2025119_20_10.pcd", *cloudb) < 0) //读取采集点云 { std::cout << "error"; } std::cout << "点云数量: " << cloudb->points.size() << std::endl; clock_t end34 = clock(); // 记录程序运行到此结束时间 double cpu_time_used34 = static_cast<double>(end34 - start34) / CLOCKS_PER_SEC; //CLOCKS_PER_SEC将结果转为以秒为单位 std::cout << "PCL读取点云文件时间: " << cpu_time_used34 << " s\n"; //显示此段程序运行时间 clock_t start33 = clock(); pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror1; // 半径滤波 ror1.setInputCloud(cloudb); //输入点云 ror1.setRadiusSearch(1.2f); // 设置搜索半径 ror1.setMinNeighborsInRadius(40); // 设置半径范围内的最少点数阈值 ror1.filter(*cloudb); //保存滤波结果 std::cout << "3号相机采集--分割的ZDB点云数量--cloudb_left去除离散点后 " << cloudb->points.size() << std::endl; clock_t end33 = clock(); // 记录程序运行到此结束时间 double cpu_time_used33 = static_cast<double>(end33 - start33) / CLOCKS_PER_SEC; //CLOCKS_PER_SEC将结果转为以秒为单位 std::cout << "PCL采集离散点滤波时间: " << cpu_time_used33 << " s\n"; //显示此段程序运行时间 // 设置点云文件路径 std::string source_file = "point_cloud_2025119_20_10.pcd"; std::string target_file = "point_cloud_2025119_20_10.pcd"; // 执行标准半径滤波 radiusFilterDemo(source_file, target_file); // 可选：执行自适应参数版本 // adaptiveRadiusFilterDemo(source_file, target_file); std::cout << "\n=== 处理完成 ===" << std::endl; if (pcl::io::loadPCDFile("filtered_source.pcd", *cloudc) < 0) //读取采集点云 { std::cout << "error"; } std::cout << "点云数量: " << cloudc->points.size() << std::endl; ////................单个窗口显示两个图像.............// // 1. 创建PCLVisualizer对象 pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer")); viewer->setBackgroundColor(0, 0, 0); // 设置背景颜色为黑色 // 添加带文字标签的坐标轴 //参数：viewer, 轴长度, 线宽, 文字大小, 标识前缀, 原点坐标 addCoordinateSystemWithLabels(viewer,800.0, 2.0, 50.0, "main_axis_", 0, 0, 0); //pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> clouda_color(clouda_left, 0, 255, 0); // 设置为绿色 //viewer->addPointCloud<pcl::PointXYZ>(clouda_left, clouda_color, "clouda"); //viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "clouda"); // 设置点大小 pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> clouda_color1(cloudc, 0, 255, 0); // 设置为绿色 viewer->addPointCloud<pcl::PointXYZ>(cloudc, clouda_color1, "cloudb_left"); viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "clouda"); // 设置点大小 // 5. 将第二个点云添加到可视化窗口并设置颜色（红色） pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud2_color(cloudb, 255, 0, 255); // 设置为粉色 viewer->addPointCloud<pcl::PointXYZ>(cloudb, cloud2_color, "cloud2"); viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "clouda"); // 设置点大小 //pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud3_color(cloudb_right, 255, 0, 255); // 设置为红色 //viewer->addPointCloud<pcl::PointXYZ>(cloudb_right, cloud3_color, "cloud3"); //viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "cloud3"); // 设置点大小 // 6. 启动可视化 while (!viewer->wasStopped()) { viewer->spinOnce(100); // 让可视化窗口刷新 } 上述程序中，实现了PCL的半径滤波和Open3D的半径滤波时间对比，但是存在一个问题，原来程序中没有Open3D的半径滤波，PCL读取文件时间约为0.5s，后来添加了Open3D的半径滤波，导致PCL读取文件时间变为5s左右，时间明显变长，原因？开发环境，VS2022 PCL1.14.1版 Open3D 0.19版
最新发布
11-23
open3d::utility::SetVerbosityLevel(open3d::utility::VerbosityLevel::Debug); // 打印初始化日志 auto dummy = open3d::geometry::PointCloud(); // 触发预初始化 ``` 观察首次创建点云对象耗时是否独立存在...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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