点云曲面重采样方法综述：上采样、下采样和均匀采样

最新推荐文章于 2025-04-24 21:13:01 发布

风华倾城

最新推荐文章于 2025-04-24 21:13:01 发布

阅读量624

点赞数

CC 4.0 BY-SA版权

文章标签：点云

本文链接：https://blog.youkuaiyun.com/api_debug626/article/details/133368397

点云专栏收录该内容

102 篇文章 ¥59.90 ¥99.00

订阅专栏

本文详细介绍了点云处理中的上采样、下采样和均匀采样方法，包括插值技术、体素网格下采样和等间隔选取采样点。这些方法分别用于增加点云密度、减少数据量和保持整体分布特征。并提供了源代码实现作为参考。

引言：
点云曲面重采样是计算机视觉和图形学领域的一个重要任务，用于对点云数据进行密度调整和形状平滑。在点云处理中，上采样、下采样和均匀采样是常用的曲面重采样方法。本文将详细介绍这三种方法，并提供相应的源代码实现。

一、上采样：
上采样是指通过插值技术将原始点云数据进行密度增加。在上采样过程中，可以使用各种插值算法来生成新的点。常见的上采样方法包括最邻近插值、双线性插值和高斯混合模型等。下面给出最邻近插值的源代码实现。

import numpy as np

def nearest_neighbor_interpolation(points, factor):
    new_points = []

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

风华倾城

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

点云均匀重采样：实现点云数据的均匀重采样

RxCode的博客

09-23

785

点云均匀重采样是一种处理点云数据的方法，旨在通过重新采样点云数据，使得点云的密度更加均匀。以上代码首先加载输入的点云数据（这里假设点云数据保存在名为"input_cloud.pcd"的文件中），然后创建了一个均匀重采样对象，并将输入点云设置为其输入。CloudCompare是一款功能强大的点云处理软件，而PCL是一个开源的点云处理库，提供了许多点云处理的算法和工具。通过调整重采样的半径搜索参数，可以灵活地控制点云的重采样效果。较小的搜索半径会产生更密集的点云，而较大的搜索半径会产生更稀疏的点云。

CloudCompare&PCL 点云均匀重采样

dayuhaitang1的博客

07-08

2040

CloudCompare&PCL 统一重采样

参与评论您还未登录，请先登录后发表或查看评论

PCL点云曲面重建--重采样

hjwang1的专栏

04-25

2346

转自：https://www.cnblogs.com/longyp/articles/7435547.html测量较小的对象时产生一些误差,直接重建会使曲面不光滑或者有漏洞,为了建立完整的模型需要对表面进行平滑处理和漏洞修复.可通过数据重建来解决这一问题,重采样算法通过对周围数据点进行高阶多项式插值来重建表面缺少的部分.由多个扫描配准后得到的数据直接拿来重建可能产生 "双墙"等重影,即拼接的区域出...

PCL点云曲面重采样三种方法：上采样，下采样，均匀采样

phymat.nico的专栏

03-27

1万+

（1）下采样 Downsampling 一般下采样是通过构造一个三维体素栅格，然后在每个体素内用体素内的所有点的重心近似显示体素中的其他点，这样体素内所有点就用一个重心点来表示，进行下采样的来达到滤波的效果，这样就大大的减少了数据量，特别是在配准，曲面重建等工作之前作为预处理，可以很好的提高程序的运行速度， #include <pcl/io/pcd_io.h> #inclu...

【点云重采样Resampling】Python-pcl 基于多项式平滑点云及法线估计的曲面重建

qq_40985985的博客

09-13

4619

1. 点云重采样 基于多项式平滑点云及法线估计的曲面重建以实现重采样，可以使得点云数据更规整一些，没之前那么杂乱。 set_Compute_Normals(True) 可以通过在最小二乘法中进行法线估计，提高重采样准确度； set_polynomial_fit(True) 可以通过不需要多项式拟合来加快平滑速度，设置为True则在整个算法运行时采用多项式拟合来提高精度； 2. 效果如下：重建前：正面：侧面：重建后：正面：侧面：可以看到重采样后点云的形状清晰了许多。参考： htt

MATLAB点云重采样,PCL点云曲面重采样三种方法：上采样，下采样，均匀采样

weixin_39999025的博客

03-21

2066

PCL点云曲面重采样三种方法：上采样，下采样，均匀采样PCL点云曲面重采样三种方法：上采样，下采样，均匀采样(1)下采样 Downsampling一般下采样是通过构造一个三维体素栅格，然后在每个体素内用体素内的所有点的重心近似显示体素中的其他点，这样体素内所有点就用一个重心点来表示，进行下采样的来达到滤波的效果，这样就大大的减少了数据量，特别是在配准，曲面重建等工作之前作为预处理，可以很好的提高...

PCL函数库摘要——点云曲面重建

qq_656236576的博客

08-12

1317

PCL库种surface模块是用来对三维扫描获取的原始点云进行曲面重建的，该模块包含实现点云重建的基础算法与数据结构。

第 10 章：PCL MovingLeastSquares（移动最小二乘重采样）

最新发布

yumeiguo的博客

04-24

196

是一种常用于点云处理的重采样技术，旨在通过平滑和重构点云来去除噪声，并使点云的结构更加平滑。该方法使用最小二乘法来拟合点云中每个点的局部表面，然后根据拟合结果生成新的点，达到去噪和平滑的效果。在点云处理中，MLS方法通常用于生成平滑的曲面，并在去除噪声的同时保持点云的全局结构。：通过对点云进行局部表面拟合，MLS方法能够生成平滑的曲面，使点云的细节更加均匀；：MLS重采样可以有效去除点云中的噪声，特别是对于稀疏、带有异常点的点云数据；：去除噪声并平滑点云，尤其是对于稀疏或带有噪声的点云；

点云重采样，使点云分布接近均匀

njh19的专栏

09-28

7535

读入点云格式：x y z 或 x y z nx ny nz 结果查看：Geomagic 示例程序见链接: https://pan.baidu.com/s/1CYflCyf_rRKtSjzhxJf_Nw?pwd=k10c

点云均匀重采样 - 实现高效的CloudCompare和PCL算法

CyberSparkZ的博客

08-16

639

CloudCompare和Point Cloud Library (PCL) 是两个广泛使用的开源点云库，它们提供了许多功能强大的算法，其中包括点云的均匀重采样。本文将介绍如何使用CloudCompare和PCL库实现高效的点云均匀重采样，并附上相应的源代码。这些库不仅提供了强大的点云处理算法，还具有丰富的社区支持和文档资料，能够满足各种点云处理需求。点云均匀重采样是一种常用的点云数据处理技术，能够通过减少点云数据的密度来降低计算和存储成本。该算法通过在点云中选择一定间隔的采样点来实现均匀重采样。

论文学习笔记（4）:Intrinsic and Isotropic Resampling for 3D Point Clouds（内在控制的各向同性3D点云重采样）

qq_40690772的博客

11-19

1118

内在控制的各向同性3D点云重采样

【点云系列】基于图结构的点云快速重采样 翻译

weixin_43882112的博客

06-17

1630

摘要为了较少存储、处理过程中和大尺度点云的消耗，我们提出了一种随机重采样策略，使用点的子集来保留特征。。。。介绍随着近期的3D感知技术的发展，3D点云逐渐成为3D目标和周围环境的重要表达方式。在许多的应用当中，例如虚拟现实，移动映射，文物的扫描，3D打印和数字化模型【1】。一个物体表面的3D点一可以通过感知设备来采集获得，名为3D点云。不同于3D坐标系，3D点云也有一些属性，例如颜色，温度和纹理。基于3D点的存储顺序和空间关联性，现有点云可以分成两种类型：有序点云和无序点云【2】。3D点通过3D感知器

3D点云综述

热门推荐

不忘初心~

01-02

3万+

24页3D点云综述，共计214篇参考文献，涵盖3D形状分类，3D目标检测和跟踪，3D点云分割方向和大数据集。

点云滤波(三)——EAR（边缘感知重采样）介绍

weixin_44368569的博客

11-14

1413

这是点云滤波系列的第三篇学习笔记，在之前我们学习了非常经典的MLS算法（点云滤波（一）——MLS（移动最小二乘）/PSS介绍），以及为解决MLS不具备保持边缘问题所提出的变体RMLS（点云滤波（二）——RMLS（鲁棒移动最小二乘）介绍）。RMLS由于没有找到相关的开源代码，并且我对方法也存在一些疑惑，害怕复现出来依托答辩，所以就没有花时间去复现。但是寻找能够保持边缘的边缘的点云平滑算法依然是我目前面对的问题，因此我会继续找一些相关的论文进行学习并形成笔记。

【点云系列】点云上采样

weixin_43882112的博客

07-17

7283

分享4篇点云上采样的文章： PU-Net -->MPU–>PU-GAN–>PU-GCN 核心思想：学习每个点的多层次特征，利用不同的卷积分支在特征空间中进行扩充，然后将扩充后的特征进行分解并重建为上采样点云集。度量标准：分布均匀性和距下层表面的距离偏差；网络架构： 1.补丁提取：在物体表面随机选取M个点。从每个点出发，生成物体的一个表面块，在每个块中国内地点之间的距离都在一个集合距离d下。然后使用Possion disk sampling为每个块随机生成N^\hat{N}N^个

话说SLAM中的点云上采样

qq_41694024的博客

08-25

2217

话说SLAM中的点云上采样

使用VoxelGrid滤波器对点云降采样，并使用PCLVisulizer进行显示

Bryan要加油

10-14

5307

#include #include #include #include #include #include #include int user_data; void viewerOneOff(pcl::visualization::PCLVisualizer& viewer) { viewer.setBackgroundColor(1.0, 0.5, 1.0); pcl::Po

MATLAB 点云均匀体素下采样（6）

weixin_44329757的博客

05-06

1612

网格平均下采样方法。同一框中的点合并到输出中的单个点。它们的颜色和正常属性相应地取平均值。这种方法比“随机”下采样方法更好地保持了点云的形状。该函数计算整个点云的轴对齐边界框。边界框分为指定的大小的网格框。每个网格框中的点是通过平均它们的位置、颜色和法线来合并的。

CloudCompare——基于八叉树的点云下采样【2025最新版】

点云侠的博客

09-01

4027

使用CloudCompare基于八叉树实现的点云下采样，本文由优快云点云侠原创，博客长期更新，本文最新更新时间为：2025年3月9日。

pcl 点云重采样 MovingLeastSquares

03-01

### 使用PCL库中的MovingLeastSquares方法进行点云重采样 #### 实现过程为了利用`pcl::MovingLeastSquares`类执行点云的重采样操作，需先创建该类的一个实例并设置必要的参数。此过程中涉及的关键步骤包括指定输入数据集、定义搜索半径以及配置输出属性。 ```cpp #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/filters/radius_outlier_removal.h> #include <pcl/features/normal_3d.h> #include <pcl/surface/mls.h> int main(int argc, char** argv){ // 加载原始点云文件 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile<pcl::PointXYZ>("input.pcd", *cloud) == -1) { PCL_ERROR("Couldn't read file input.pcd \n"); return (-1); } // 创建目标容器用于存储处理后的点云 pcl::PointCloud<pcl::PointNormal> mls_points; // 初始化MLS对象 pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls; // 设置输入点云 mls.setInputCloud(cloud); // 定义树结构加速最近邻查询 mls.setSearchMethod(pcl::search::KdTree<pcl::PointXYZ>::Ptr(new pcl::search::KdTree<pcl::PointXYZ>())); // 设定搜索半径，在这个范围内寻找近邻点来计算多项式拟合 mls.setSearchRadius(0.03); // 启用投影模式，即通过移动最小二乘法重新定位每个点的位置 mls.setComputeNormals(true); // 执行滤波和平滑化 mls.process(mls_points); // 将结果保存到新的PCD文件中 pcl::io::savePCDFileASCII ("mls_output.pcd", mls_points); } ``` 上述代码展示了如何加载一个`.pcd`格式的点云集作为输入，并应用移动最小二乘算法对其进行平滑和重采样[^2]。值得注意的是，这里设置了`setSearchRadius()`函数以控制局部区域内的点数影响程度；而启用正常量计算(`setComputeNormals()`)则有助于改善最终模型的质量。 #### 参数调整的影响不同的参数设定会对最终的结果产生显著差异。例如增大或减小搜索半径会改变参与每一点附近拟合的样本数量，从而影响表面细节保留度与噪声去除效率之间的平衡。此外，开启或关闭法线估计也会影响生成网格的质量和速度[^1]。 #### 类间关系说明在PCL框架下，`pcl::MovingLeastSquares`继承自抽象基类`pcl::CloudSurfaceProcessing`，这意味着它实现了特定于曲面重建的功能接口。同时，此类还依赖其他组件如`pcl::search::KdTree`来进行高效的邻居查找操作[^3]。