PCL 基于法线一致性筛选对应点对

于 2024-10-28 11:09:24 发布
阅读量771 收藏 29
点赞数 14
分类专栏： 点云学习 文章标签： 计算机视觉 人工智能 3d c++
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/m0_51204289/article/details/143288259
版权

目录


内容抄自优快云点云侠：【2024最新版】PCL点云处理算法汇总（C++长期更新版）。质量无忧，永久免费，可放心复制粘贴。

一、概述

1.1 原理

  利用点云中的法线信息（夹角）来排除不符合法线一致性的点云对应关系。法线在点云中通常用于描述表面的方向，计算各对应点对之间的夹角，判断是否具有法线一致性，如果没有法线一致性，那么删除该对应点对。

1.2 实现步骤

  
点云基于法线一致性筛选对应点对的实现过程通常用于高精度的3D匹配和配准任务中，它涉及以下几个步骤：

  1. 获取法线信息：首先，从每个三维点云中计算局部表面的法线，这可以由近邻分析、深度学习模型预测或利用结构光等设备测量得到。
  2. 构建点对图：将每个点与其邻居建立联系，并考虑它们的法线方向。相似的法线方向表明可能存在对应的表面区域。
  3. 设置阈值
了解本专栏 订阅专栏 解锁全文 超级会员免费看
*PCL FPFH查找对应点对SVD进行配准【2024最新版】
点云侠的博客
11-07 37万+
在某一距离阈值范围内查找FPFH特征匹配的对应点对，然后用SVD计算变换矩阵。博客长期更新，本文最新更新时间为：2024年10月28日。
PCL点云处理：优化法线方向的两种方法
QsPascal的博客
09-27 345
基于面片的法线重定向方法适用于光滑的表面，而基于曲率的法线重定向方法适用于具有曲率变化的表面。根据实际场景和点云数据的特点，选择合适的方法可以提高法线的准确性和一致性。以上是两种常用的PCL点云处理中优化法线方向的方法及相应的源代码示例。基于曲率的法线重定向方法使用点云中的曲率信息来优化法线方向。该方法通过计算点云中每个点的曲率，将法线方向对齐到曲率最小的方向上。基于面片的法线重定向方法使用点云中的面片信息来优化法线方向。该方法假设点云中的面片是光滑的，并且法线方向应该与面片的法线一致。
PCL对应点对可视化
Angle_best的博客
01-10 2986
PCL对应点对可视化： 要想显示点对之间的对应关系, 首先必须计算出对应点对, pcl中对应点对的计算可通过pcl::registration::CorrespondenceEstimation correspond_est; 计算,计算出对应点对后, source 和 target对应点的索引会存储在vector A或pcl::Correspondences A中.要想显
PCL 寻找点云对应点对关系（Registration_CorrespondenceEstimation）
xhm01291212的博客
09-06 367
注意：本示例为PCL中寻找对应点对的基础方法，无需输入法向量或者直方图等其他特征，直接输入点云就可计算。注意：本示例为PCL中寻找对应点对的基础方法，无需输入法向量或者直方图等其他特征，直接输入点云就可计算。1.原理PCL源代码中没有相关论文名称，也没有某种算法的关键字。无从查找原理。所以本示例不介绍原理。但本方法在点对匹配中较常用。2.关键函数（1）本类类名3.代码。
PCL 点云点对点映射关系计算
weixin_39354845的博客
04-11 352
计算3对点之间的矩阵变换
PCL 筛选对应点对（距离筛选+中值筛选+法线一致性筛选+ICP重叠率估计筛选+一对一删除重复点对）（Registration_CorrespondenceRejector）
xhm01291212的博客
09-06 992
注意：本文较长，包括PCL中大多数筛选对应点对的方法，该方法均用于提高配准的精确性和减少可能的误匹配。因方法大多简单，合并为一个文章。目录如下。1.根据距离筛选对应点对2.根据中值筛选对应点对3.一对一删除重复点对4.根据法线一致性筛选对应点对5.根据ICP重叠率估计筛选对应点对6.完整代码本文基于寻找到对应点对之后，对寻找到的对应点对做二次筛选。。用于下方各筛选方法测试的原始点对关系如下图。
PCL1.9.1工具库，包括与之配套的VTK 8.1，用于开发基于PCL的图像界面程序
04-22
5. **表面重建**：PCL提供了不同的方法进行表面重建，如OrganizedMultiPlaneSegmentation（多平面分割）、SAC-IA（随机样本一致性和迭代最近点）等，用于从点云中构建三角网格模型。 6. **VTK集成**：利用VTK的`...
pcl源码分析之随机采样一致性平面拟合
weixin_39425383的博客
08-26 1574
平面拟合是点云处理的常规操作，这里将pcl里随机采样一致性平面拟合的源码做一下分析，加深对原理以及代码的理解。学习总结了一下pcl里随机采样一致性平面拟合的原理和代码结构，很有收获，后续有新的发现再更新。
PCL 法向量夹角剔除错误匹配点对【2024最新版】
热门推荐
点云侠的博客
03-23 41万+
实现了一种简单的基于对应点法线角度的对应关系去除方法。博客长期更新，本文最新更新时间为：2024年10月28日。
『OPEN3D』1.4 点云表面重建
NNNNNathan的博客
03-04 3373
主要介绍了open3d中三种点云表面重建算法在open3d中的使用，分别为Alpha shapes、Ball pivoting、Poisson surface reconstruction。
【论文阅读】法向一致性：Towards Globally Optimal Normal Orientations for Large Point Clouds
原来也有北瓜
11-02 225
将法向一致性问题转化为马尔可夫随机场（Markov Random Field, MRF）。具体来说，点云的k近邻图构建MRF中的图，该图中的节点对应点云中的点，每个节点有两个状态对应点法向的两个方向，每个边的能量由边连接的两个节点的法向定义。最终，通过最小化能量函数实现全局法向一致。这里列出一些相关的文章，方便对比其原理。
利用PCL处理Realsense点云数据-显示点云法线方向及出现问题的解决
wi162yyxq的博客
05-07 7276
在我们获得点云数据后，为了能够进行表面重建或者是进行物体的位姿确定，我们都需要确定物体表面的发现方向。 PCL中有现成的计算物体法线的类NormalEstimation，这个类做了以下3件事 1.得到p的最近邻 2.计算p的表面法线n 3.检查法线的朝向，然后拨乱反正。 默认的视角是(0,0,0) 计算一个点的法线 前面两个参数很好理解，plane_p
【点云处理】点云法线联合随机采样一致性(RANSAC)分割地面点
05-28 1497
在之前的代码中尝试直接使用随机一致性采样来分割地面点，但是在我的实验环境下效果很差，始终没有找到地表这个平面。这里尝试一种新思路，计算点云的法线。因为地面点云的法线z值较高，通过阈值先过滤出非地面点云，再对剩下的点云 进行随机一致性采样得到地面点云。 【代码】 #include <pcl/segmentation/sac_segmentation.h> #include <pcl/segmentation/extract_clusters.h> #includ...
PCL 查找对应点关系并可视化【2024最新版】
点云侠的博客
02-27 36万+
查找点云配准中的对应关系，并可视化。博客长期更新，本文最新更新时间为：2024年10月19日。代码在PCL1.14.1中测试通过，新增2024年本人对该算法的最新理解。
PCL法向量夹角剔除错误匹配点对
ZyqfCss的博客
09-24 202
在点云数据中，点的法向量是一项重要的属性，它能够提供关于点云表面的方向信息。然而，在点云匹配和配准过程中，存在一些错误匹配点对，这可能导致后续处理步骤的失败或不准确性。为了解决这个问题，可以使用PCL（点云库）中的法向量夹角剔除方法。通过使用上述代码，你可以实现对点云数据中的错误匹配点对进行剔除操作。这样可以提高点云处理的准确性和鲁棒性，并在后续的计算机视觉或机器人任务中获得更可靠的结果。法向量夹角剔除是一种基于点云法向量之间夹角的过滤方法，它可以帮助我们去除那些法向量方向相差较大的点对。
PCL点云处理之法线重定向的两种方法（八十三）
weixin_44329757的博客
12-25 1497
一般来说，由于没有数学方法来解决法线的符号，通过主成分分析(PCA)计算出来的法线方向(如上所示)是不明确的（如图一所示），并且不能一致地在整个点云数据集上定向。可以看到，所有点的法线统一到一个方向上，当然可以看到还有一些杂乱法线的存在位于点云面的上方，可以继续把视点到平面的距离拉远，即可减少此类情况。（1）在计算法线前，设置视点坐标，默认是（0，0，0）全部代码如下，改变路径读取自己的点云即可运行（示例）（2）在计算法线后，重新设置视点调整法线朝向。
PCL 基于特征点寻找对应点对（Registration_CorrespondenceEstimationFeature）
xhm01291212的博客
09-06 521
在寻找对应点对时，pcl::registration::CorrespondenceEstimation可使用诸如以下的模板匹配，以实现的功能。（1）计算点云的某种特征，如PFH、FPFH、VFH、3DSC等特征描述子。具体可查阅PCL::Feature中可使用的特征描述子。（2）使用计算出的特征描述子来计算对应点对。（3）得到最终结果（1）在声明并定义对应点对计算对象时，使用你需要的特征描述子作为模板。。点对类声明时，修改模板。
PCL 点云法线计算（Feature_Normal3d）
xhm01291212的博客
08-26 3160
注意：一般计算点云法线，均使用该方法。注意：一般计算点云法线，均使用该方法。PCL中共三种法线计算方法，其余两种不常用的法线计算方法如下：（1）（2）
【论文阅读】Occupancy Networks: Learning 3D Reconstruction in Function Space
weixin_45616624的博客
02-10 9975
论文题目：Occupancy Networks: Learning 3D Reconstruction in Function Space（占据网络：在函数空间内学习三维重建，简称ONet） 论文作者：Lars Mescheder；Michael Oechsle；Michael Niemeyer；Sebastian Nowozin；Andreas Geiger 论文出处：CVPR 2019
PCL 基于法线的双边滤波
最新发布
04-16
<think>好的，用户想了解PCL中基于法线的双边滤波的实现或使用方法。我需要先整理相关的信息，确保回答结构清晰，符合用户的要求。首先，根据提供的引用内容，我需要解释基于法线的双边滤波的原理，然后详细说明实现的步骤，可能还需要提供代码示例，并指出注意事项。同时，用户要求生成相关问题，所以最后要列出几个相关问题。 首先，基于法线的双边滤波和传统的双边滤波有什么不同？根据引用2和3，传统双边滤波在图像处理中考虑空间距离和像素值差异，而在点云中，法线双边滤波将一边换成邻近点的距离权重，另一边换成邻近点沿法向量的投影权重。这样可以更好地保持点云的几何特征。 接下来，实现步骤应该包括法线估计、参数设置、创建滤波对象、应用滤波。需要注意PCL自带的双边滤波可能存在问题，引用1提到需要自行实现或使用优化后的代码。因此，在步骤中可能需要指出需要自定义的权重函数，或者参考现有的实现，比如引用1中的开源代码。 代码示例部分，虽然用户引用的内容中没有直接给出代码，但根据引用1和3，可能需要构造一个类似的结构，展示如何设置参数、输入点云、法线，并执行滤波。同时要提醒用户可能需要调整参数，如sigma_s和sigma_r，以及法线估计的半径。 注意事项部分，需要提到法线估计的重要性，参数调整的影响，以及可能的计算开销，如引用3提到的效率问题。此外，引用1提到PCL自带的函数可能无法正确计算结果，所以建议用户参考优化后的实现或开源代码。 最后，生成的相关问题需要围绕实现细节、参数调整、与其他滤波方法的比较、应用场景和优化策略展开，确保覆盖用户可能进一步询问的方向。 现在需要检查是否所有要求都满足：使用正确的中文回答，数学公式用$...$，独立公式用$$...$$，引用标识正确，结构清晰，分步骤说明，代码示例用正确的格式，注意事项和相关问题。同时，确保引用的内容在回答中有对应的引用标识，比如在解释双边滤波原理时引用2和3，在提到PCL自带函数的问题时引用1。 可能需要注意的细节：法线估计的半径设置，滤波器的参数设置，代码中的伪代码是否符合PCL的API，比如pcl::BilateralFilter类的使用是否正确。此外，用户提供的引用中提到需要自行实现或参考开源代码，因此在代码示例部分可能需要说明这一点，而不是直接使用PCL自带的函数。 总结回答的结构应该是： 1. 算法原理 2. 实现步骤 3. 代码示例 4. 注意事项 5. 相关问题 确保每个部分都有对应的引用支持，并且在适当的位置添加引用标识，例如在解释双边滤波原理时引用2和3，在提到PCL自带函数的问题时引用1。</think>### PCL基于法线的双边滤波实现与使用指南 #### 一、算法原理 基于法线的双边滤波在三维点云中结合了**空间距离权重**和**法线投影权重**： 1. **空间权重**：通过高斯函数计算邻域点与中心点的欧氏距离，公式为： $$W_d = e^{-\frac{\|p_i - p_j\|^2}{2\sigma_s^2}}$$ 2. **法线投影权重**：通过高斯函数计算邻域点沿法线方向的投影差异，公式为： $$W_n = e^{-\frac{(n_i \cdot (p_j - p_i))^2}{2\sigma_r^2}}$$ 最终权重为$W=W_d \cdot W_n$，滤波后点坐标通过加权平均计算[^2][^3]。 #### 二、实现步骤 1. **法线估计** 使用`pcl::NormalEstimation`计算点云法线，需设置搜索半径（建议值为点云平均间距的2-3倍）。 2. **参数设置** - $\sigma_s$：控制空间衰减（通常取点云密度的3倍） - $\sigma_r$：控制法线投影差异衰减（建议0.1-0.5） 3. **创建滤波器** ```cpp pcl::BilateralFilter<pcl::PointNormal> filter; filter.setInputCloud(cloud_with_normals); filter.setSigmaS(sigma_s); filter.setSigmaR(sigma_r); ``` 4. **执行滤波** ```cpp pcl::PointCloud<pcl::PointNormal>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointNormal>); filter.filter(*filtered_cloud); ``` #### 三、注意事项 1. 法线估计质量直接影响滤波效果，建议使用`KDTree`加速计算[^1] 2. PCL自带实现可能存在精度问题，推荐参考IPOL Journal的开源代码[^1] 3. 参数调整需通过实验确定，过大导致过平滑，过小则滤波不充分 4. 计算复杂度为$O(nk)$（n为点数，k为邻域点数），建议使用降采样预处理[^3] #### 四、完整代码框架 ```cpp // 1. 读取点云 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("input.pcd", *cloud); // 2. 计算法线 pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne; ne.setInputCloud(cloud); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>()); ne.setSearchMethod(tree); pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); ne.setRadiusSearch(0.05); // 根据点云密度调整 ne.compute(*normals); // 3. 合并坐标与法线 pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>); pcl::concatenateFields(*cloud, *normals, *cloud_with_normals); // 4. 双边滤波 pcl::BilateralFilter<pcl::PointNormal> filter; filter.setInputCloud(cloud_with_normals); filter.setSigmaS(0.15); // 空间参数 filter.setSigmaR(0.2); // 法线投影参数 filter.filter(*filtered_cloud); ``` 相关问题
评论 1
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