PointCloudLib 法线微分算法(Don)分割点云 C++版本

已于 2024-06-25 16:42:13 修改
阅读量204 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： halcon3d PCL点云处理 深度神经网络 点云处理 PCL库 Open3D库 Point++模型使用 文章标签： 算法 机器学习 支持向量机 计算机视觉 深度学习 机器视觉 c++
于 2024-06-24 08:53:41 首次发布
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/linux_huangyu/article/details/139912140

0.实现效果

原始点云

不同尺度上计算法向量

计算出don特征量，并以颜色显示在点云上

可以看出平面中心的点 不涉及到周围点变化的点 特征量比较低，以红色表示

边缘过渡剧烈的点，特征量比较高，以蓝色表示

以Don算法特征量来作为阈值分割点云，可以分割出剧烈变化的点云

欧式聚类 分割出不同的点云

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PCL 法线微分（DoN）分割（C++详细过程版）
点云侠的博客
11-01 541
法线微分（DoN）分割在PCL里有现成的调用函数，为充分了解算法实现的每一个细节和有待改进的地方，使用C++代码对算法实现过程进行复现。
基于法线微分的分割算法：基于Differential Operator Network (DON)的改进
ZfpMaster的博客
09-17 630
该模块通过引入图卷积网络，利用点云之间的关系进行信息传递和聚合，从而进一步提高分割的准确性和稳定性。DON是一种基于法线微分的点云分割算法，它通过计算点云中每个点的曲率和法线变化来实现分割。然而，原始的DON算法存在一些问题，例如对于具有复杂形状的点云数据，分割结果不够准确。本文介绍了一种改进的基于法线微分的分割算法，通过引入局部特征增强和全局一致性优化模块，提高了分割结果的准确性和稳定性。在计算机视觉中，点云分割是一项重要的任务，旨在将点云数据划分为具有语义意义的子集。
PCL法线微分分割——实时三维点云分割方法探究
HackMasterX的博客
08-15 416
而PCL作为一个开源的点云处理库，提供了丰富的点云分割算法，其中之一便是法线微分分割算法。首先，我们读取点云数据，并对点云中每个点进行法线估计。其中，点云分割是点云处理中的核心任务之一，可以将复杂的三维场景分割为具有语义信息的子集。在这篇文章中，我们将探究基于PCL（Point Cloud Library）的法线微分分割方法，该方法能够实时地对三维点云进行分割，并提供相应的源代码供读者参考。该算法的核心思想是根据点云中每个点的法线信息，对点云进行表面的曲率估计，并基于曲率差异将点云划分为不同的区域。
PCL_点云分割_基于法线微分分割
weixin_39354845的博客
11-18 649
利用不同的半径（大的半径、小半径）来计算同一个点的法向量差值P。判断P的范围，从而进行分割。
PCL 法线微分分割（Don）
xhm01291212的博客
08-16 1335
对于点云中的每个点云点P，使用计算该点的两个法向量，然后用两个单位法向量的计算Don特征。如下图：图1为大半径计算得到的法向量；图2为小半径计算得到的法向量；图3为一大一小两个法向量计算得出的Don特征。步骤：（1）建KD树，计算点云平均密度（即点云点之间的平均邻近距离）。（2）用户依据平均密度设置两个尺度的Don半径，然后分别计算两个Don半径下的法向量。（3）通过公式：计算两个尺度下Don法向量的差异。（4）得到对应的法线微分差异，得出Don结果。
Open3D(C++) 基于法线微分的点云分割
点云侠的博客
11-01 347
使用C++版本Open3D复现的PCL里边基于法线微分的分割算法。
PCL 基于法线微分（DoN）的点云分割
m0_51204289的博客
11-19 198
DoN特征源于观察到基于所给半径估计的表面法向量可以反映曲面的内在几何特征，因此这种分割算法是基于法线估计的，需要计算点云中某一点的法线估计。而通常在计算法线估计的时候都会用到邻域信息，很明显邻域大小的选取会影响法线估计的结果。而在DoN算法中，邻域选择的大小就被称为support radius（支持半径）。对点云中某一点选取不同的支持半径，即可以得到不同的法线估计，而法线之间的差异，就是是所说的法线差异。
PCL 基于法线微分（DoN）的点云分割【2025最新版】
热门推荐
点云侠的博客
07-27 39万+
基于法线微分的分割。博客长期更新，本文最新更新时间为：2025年1月·日。代码在PCL1.14.1中测试通过，新增2024年本人对该算法的论文阅读和最新理解。
PCL—基于法线微分的分割—DON
weixin_48240054的博客
02-08 1075
基于法线微分的分割 1.根据不同尺度下法向量特征的差异性，利用pcl::DifferenceOfNormalsEstimation实现点云分割，在处理有较大尺度变化的场景点云分割效果较好，利用不同支撑半径去估算同一点的两个单位法向量，单位法向量的差定义DoN特征。 2.DoN算法： DoN特征源于观察到基于所给半径估计的表面法向量可以反映曲面的内在几何特征，因此这种分割算法是基于法线估计的，需要计算点云中某一点的法线估计。而通常在计算法线估计的时候都会用到邻域信息，很明显邻域大小的选取会影响法线估计的结果
PCL学习笔记(44)——基于法线微分的DoN算法详解
Christo的博客
09-24 3026
DON算法1 DoN算法算法原理1.1 动机1.2 原理解析1.3 实验结果1.3 其他2 源码测试2.1 源码2.2 程序主要过程3 其他 1 DoN算法算法原理 首先算法的核心是利用多尺度的方法来提高模型的分割效果，但是多尺度在二维图像中有较多的应用，三维点云图像中应用较少，在二维图像中，尺度空间的概念通常用通过高斯核的卷积逐渐平滑的图像来描述，这样的高斯尺度空间在图像处理和二维计算机视觉中有广泛的应用，如边缘锐化和兴趣点选择。而将比例空间的概念扩展到无组织三维点云是一项非常困难的任务，因为缺少常规的从
2012顶会文章点云Don算法论文
09-24
Difference of Normals as a Multi-Scale Operator in Unorganized Point Clouds.pdf
传统的点云分割方法及PCL中的分割模块
lemonxiaoxiao的博客
04-17 5641
参考：https://www.cnblogs.com/li-yao7758258/p/10908980.html 三维点云分割是将同属性的点云物体分割出来，以便于单独对该点云物体处理，但是由于点云数据是一种高冗余度，且不均匀的数据结构，所以点云分割具有一定挑战性。 点云库于（PCL）2011年推出以来，得到行业广泛的应用，该库包含了最先进的3D感知算法，并包含了LIDAR和三维扫描仪的接口，...
DON(Difference of Normals)分割
xinxiangwangzhi_的博客
03-21 1148
分割主要思想：对选取不同半径近邻，计算一个点的法线。这样会得到同一个点，对应两个法线，根据这两个法线的差异，判断这个点是不是分割的内点。该方法能分割一些规则的物体，例如平面，球面等。 PCL官方文档是利用pcl::PointNormal的curvature的属性（field）构建一个条件滤波，从而完成don分割。pcl::PointNormal类型的field，共包括x,y,z，normal_x,normal_y,normal_z,curvature，7个字段。当然don分割也可以使用其他field 例如n
激光类雷达障碍物检测与追踪——DON点云滤波
xiaohu的博客
02-26 3852
void differenceNormalsSegmentation(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr) { float small_scale = 0.5; float large_scale = 2.0; float ang
DoN分割
guangqianzhang的博客
05-17 374
DoN 点云 法向量 过滤分割
点云滤波算法
qq_37894979的博客
01-27 5097
本文讲解了点云常用的滤波算法及相关代码
点云分割和点云分类（点云语义分割）
DayDayUp
09-05 7万+
概念 点云分割（point cloud segmentation） 根据空间、几何和纹理等特征点进行划分，同一划分内的点云拥有相似的特征。 点云分割的目的是分块，从而便于单独处理。 点云分类（point cloud classification) 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。也叫做点云语义分割。 特征提取 单个点或一组点可以根据低级属性检测某种类型的点。 “低级属性”是指没有语义（例如，位置，高.
PCL——点云分割（基于法线微分的分割——DON）
cbb8234078009的博客
06-21 4471
基于点云频率的滤波方法 DON点云滤波 DoN算法应该算是一种比较先进的点云滤波算法。分割本质上还是由欧式分割算法完成的。算法的目的是在去除点云低频滤波，低频信息（例如建筑物墙面，地面）往往会对分割产生干扰，高频信息（例如建筑物窗框，路面障碍锥）往往尺度上很小，直接采用 基于临近信息 的滤波器会将此类信息合并至墙面或路面中。所以DoN算法利用了多尺度空间的思想，算法如下： （1） 在小尺度上计算点云法线1 （2）在大尺度上计算点云法线2 （3）法线1-法线2 （4） 滤去3中值较小的点 （5） 欧式分割
PCL学习笔记（三十）-- 基于法线微分的分割
不学会C++不改名
07-29 2191
一、简介 根据不同尺度下法向量特征的差异性，利用类pcl::DifferenceOfNormalEstimation实现点云分割，该方法基于尺度的分割方法，可以根据给定尺度分割出对应尺度下的点云。基于Dof的多尺度分割方法计算效率高，可处理规模庞大的3D点云。该算法在概念上虽然非常简单，但在处理有较大尺度变化的场景点云分割时却异常有效。对输入点云P的每一个点p，利用不同的半径r1 > rs去估算同一点的两个单位法向量。利用输入点云的单位法向量的差定义DoN特征。通常DoN定义如下： ...
采用法线向量分割点云
最新发布
03-20
### 使用法线向量对点云进行分割 点云分割是一种常见的技术，用于将点云中的不同部分分离出来以便进一步处理。通过利用法线向量的信息可以有效地完成这一任务。以下是基于法线向量的点云分割算法的具体实现方法： #### 法线计算 为了使用法线向量进行分割，首先需要为点云中的每个点估计其局部表面法线方向。这通常可以通过拟合平面到邻近点来完成。具体来说，对于每一个点 \( p_i \)，在其 k 近邻范围内找到一组点并对其进行最小二乘拟合得到一个最佳拟合平面[^1]。 ```python import numpy as np from sklearn.neighbors import NearestNeighbors def estimate_normals(points, k=10): """ Estimate normals for each point in the given point cloud. :param points: Numpy array of shape (n_points, 3), representing the point cloud. :param k: Number of nearest neighbors to consider for normal estimation. :return: Array of estimated normals, same size as `points`. """ nbrs = NearestNeighbors(n_neighbors=k).fit(points) _, indices = nbrs.kneighbors(points) normals = [] for i in range(len(points)): neighborhood = points[indices[i]] cov_matrix = np.cov((neighborhood - points[i]).T) eigenvalues, eigenvectors = np.linalg.eig(cov_matrix) normal = eigenvectors[:, np.argmin(eigenvalues)] normals.append(normal / np.linalg.norm(normal)) return np.array(normals) ``` #### 基于法线角度差异的聚类 一旦获得了每一点的法线向量，则可以根据这些法线之间的夹角来进行区域划分。如果两个相邻点的法线之间形成的夹角超过某个阈值，则认为它们属于不同的曲面片段[^2]。 ```python def segment_by_normal_angle(points, normals, angle_threshold=np.radians(30)): """ Segment the point cloud based on differences between their normal vectors' angles. :param points: Point coordinates as an Nx3 matrix. :param normals: Corresponding unit-length normals per point also shaped like Nx3. :param angle_threshold: Maximum allowable deviation from parallelism before considering two regions distinct. :returns List containing sets corresponding to individual segments found within input data set. """ labels = [-1]*len(points) # Initialize all unassigned (-1 means no group yet.) current_label = 0 stack = [] visited = set() def add_to_stack(index): nonlocal stack if index not in visited: stack.append(index) visited.add(index) for start_index in range(len(points)): if labels[start_index]!=-1 or start_index in visited: continue labels[start_index]=current_label stack=[start_index] while len(stack)>0: idx = stack.pop() pt = points[idx] nrm = normals[idx] knn_indices = get_knn_indices(idx,k=15)[1:] # Exclude self for neighbor_idx in knn_indices: diff_vec = normals[neighbor_idx]-nrm cosine_similarity = abs(np.dot(diff_vec/np.linalg.norm(diff_vec),nrm)) if cosine_similarity >= np.cos(angle_threshold): if labels[neighbor_idx]==-1: labels[neighbor_idx]=current_label add_to_stack(neighbor_idx) current_label +=1 unique_labels = list(set(labels)) result_segments = [[]for _ in unique_labels ] for l,pnt in zip(labels,points): result_segments[l].append(pnt) return [np.array(seg) for seg in result_segments],labels ``` 上述代码实现了基本的功能框架，实际应用可能还需要考虑更多细节优化性能以及鲁棒性等问题[^3]。 #### 总结 以上展示了如何借助法线信息执行简单的点云分割操作。这种方法依赖于几何特性，在许多场景下表现良好，但对于复杂结构或者噪声较大的情况则需引入更高级别的模型辅助分析[^4]。
评论
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

打赏作者

黄晓魚

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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