PCL体素中心点滤波（approximate_voxel_grid）

原创

已于 2024-09-20 09:42:23 修改 · 638 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #c++ #3d

于 2024-07-25 16:20:13 首次发布

PCL专栏目录及须知-优快云博客

1.原理

将整体点云体素化为一个三维体素栅格，使用每个体素栅格的中心点近似代表该体素块。

（1）对点云按照输入的立方体进行体素化处理，将所有的点云点分布进一个一个的小体素块中。

（2）计算每个体素块的中心点（注意要区别于体素滤波计算质点）。

（3）所有计算出的体素块中心点组成组成新的点云点，合并得到最终结果。

如何理解体素化：如下图，将整体点云体素化为多个小体素块，用一个个正方形的小块代表该范围内的点云。

2. 使用场景

用于海量点云的抽稀。

抽稀速度快（计算体素中心点，速度快于voxel_grid中的计算体素质心点）。

可以较好的保留点云的空间结构和形态特征。

3.注意事项

4.关键函数

（1）设置最小体素块的xyz（长宽高），点云即用该大小的体素块进行体素化。

setLeafSize()

最低0.47元/天解锁文章

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

者山海

关注关注

4
点赞
踩
6

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

PCL 点云体素滤波

纵马踏花向自由

10-05

1448

体素滤波（Voxel Grid Filter）是一种常用的点云降采样方法。它通过将点云划分为固定大小的三维网格（体素），然后用每个体素内的点的代表值（如质心）来代替体素内的所有点，从而达到减少点云数据量的目的。

PCL体素滤波器【2024最新版】

热门推荐

点云侠的博客

06-08

39万+

PCL实现的VoxelGrid类和ApproximateVoxelGrid体素滤波，详细记录。博客长期更新，本文最近一次更新时间为：2024年12月16日。

参与评论您还未登录，请先登录后发表或查看评论

点云降采样--VoxelGrid点云降采样

weixin_43464623的博客

04-13

2701

1.版本要求版本: >PCL1.0 2.简介 VoxelGrid体素降采样是PCL开源库中非常有效的点云降采样手段。VoxelGrid对点云进行体素化，创建一个三维体素栅格。在每个体素里面，求取该立方体内的所有点云重心点来代表这个立方体，从而达到降采样的目的。 3.代码 #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <

基于八叉树的体素滤波.rar

02-24

PCL的VoxelGrid类和ApproximateVoxelGrid类实现基于体素的滤波方法对点云进行下采样，八叉树同样也是建立体素，因此基于八叉树的体素同样可以对点云进行下采样。PCL中有现成函数可实现求解八叉树体素中心，所以最简单的方法就是用八叉树的体素中心点来代替每一个体素内的点，从而实现点云的下采样。注意：这种方法与ApproximateVoxelGrid基本相同，都是以中心点代替体素内的点。惟一的区别是：ApproximateVoxelGrid可以自由设置体素的长宽高，而八叉树只能是构建正方体的体素。代码中也实现了对八叉树体素滤波的改进，即用距离体素中心点最近的点来代替

PCL体素滤波（voxel_grid）

xhm01291212的博客

08-02

990

将整体点云体素化为一个三维体素栅格，使用每个体素栅格的近似代表该体素块。（1）对点云按照输入的立方体进行体素化处理，将所有的点云点分布进一个一个的小体素块中。（2）计算每个体素块的（注意要区别于体素滤波计算中心点）。（3）所有计算出的体素块质心点组成组成新的点云点，合并得到最终结果。如何理解体素化：如下图，将整体点云体素化为多个小体素块，用一个个正方形的小块代表该范围内的点云。

PCL(5)点云聚类之 VoxelGrid体素采样与ApproximateVoxelGrid体素采样

qq_42827488的博客

01-12

2385

1 区别 1.1 原理 VoxelGrid体素采样,对点云进行体素化，创建一个三维体素栅格。在每个体素里面，求取该立方体内的所有点云重心点来代表这个立方体的表示，以此达到下采样的目的。 ApproximateVoxelGrid体素采样,对点云用每个体素栅格的中心点来近似该体素内的点，提升了速度，但是也损失了原始点云的局部形态精细度。 1.2 引用 1、VoxelGrid体素采样引入头文件： #include <pcl/filters/voxel_grid.h> Approximat

【pcl入门教程滤波系列】之VoxelGrid

AutoXTruck专栏

09-01

1万+

VoxelGrid体素采样　　pcl库中的VoxelGrid对点云进行体素化，主要就是创建一个三维体素栅格(就是每个比较小的立方体组成的体素栅格)。在每个体素(三维立方体)里面，求取该立方体内的所有点云重心点来代表这个立方体的表示，以此达到下采样的目的。 class pcl::ApproximateVoxelGrid<PointT> class pcl::VoxelGrid<PointT> class pcl::VoxelGird<pcl::PCLPointClo

PCL点云处理之多种体素滤波方法大汇总（一百六十四）

weixin_44329757的博客

05-15

1986

对PCL中的基于八叉树体素滤波方法，以及在此基础上，自己进一步实现的新滤波方法，进行一个汇总，列出各自的效果和具体实现代码，复制黏贴即可使用

Open3D点云数据处理（十七）：体素滤波之体素中心下采样

孙悟空

07-31

3217

本文主要讲述：体素下采样原理、体素下采样分类、下采样结果对比、体素中心下采样代码实现：1）代码行实现；2）函数封装 my_voxel_center_down_sample()

PCL 体素滤波（C++详细过程版）

点云侠的博客

01-16

1517

为充分了解体素滤波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。

PCL 体素滤波：优化点云数据处理的强大工具

HackWhisper的博客

08-15

974

通过使用PCL的体素滤波功能，我们可以方便地对点云数据进行处理，为后续的点云分析和应用提供了强大的基础工具。体素滤波是一种基于体素格子的降采样方法，通过将点云数据划分为多个体素格子，并在每个格子中只保留一个代表性的点，从而实现数据的降采样。计算每个格子中的代表性点：对于每个格子，根据其中的点云数据计算一个代表性的点。输出降采样后的点云数据：将每个格子中的代表性点集合起来，形成降采样后的点云数据。将点云数据分配到对应的格子中：遍历输入的点云数据，将每个点分配到对应的格子中。，并填充了相应的点云数据。

[PCL]ApproximateVoxelGrid

weixin_34375251的博客

06-12

919

点云滤波继承自Filter模板类注意Filter类的filter 方法调用了虚方法applyFilter： 1 inline void filter (PointCloud &output) 2 { 3 if (!initCompute ()) 4 return; 5 6 if (input...

PCL体素滤波（在windows+vs2017下实现）

生活如此美好，致敬每一个热爱“热爱”的人！

08-18

1166

体素滤波器（下采样）：体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能，但是会移动点的位置。此外体素滤波器可以去除一定程度的噪音点及离群点。主要功能是用来进行降采样。（1）它的原理是根据输入的点云，首先计算一个能够刚好包裹住该点云的立方体，然后根据设定的分辨率，将该大立方体分割成不同的小立方体。对于每一个小立方体内的点，计算他们的质心，并用该质心的坐标来近似该立方体内的若干点。（2）ApproximateVoxelGrid的不同在于这种方法是利用每一个小立方体的中心来近似该立方体

PCL VoxelGrid 体素滤波器

weixin_39354845的博客

12-05

835

体素滤波和下采样滤波是一样的，对于点云只不过创建一个三维的体素格栅，用每个体素的重心近似体素中的其他的点。

ApproximateVoxelGrid和VoxelGrid详解

com1098247427的博客

09-26

1355

ApproximateVoxelGrid和VoxelGrid详解

【常见滤波器】PCL体素滤波器

最新发布

weixin_45590420的博客

07-10

5835

本文详细介绍了PCL中的两种体素滤波器：VoxelGrid和ApproximateVoxelGrid。VoxelGrid通过计算体素内所有点的几何中心进行降采样，精度高但计算量较大；ApproximateVoxelGrid则采用首个进入体素的点作为代表，速度快但精度稍低。文章从原理、API使用到实际案例演示了两种滤波器的实现方法，包括设置体素尺寸、输入输出处理等关键步骤。通过性能对比表（VoxelGrid精度高适合精确建模，ApproximateVoxelGrid效率高适合实时处理）和代码示例（包含点云可视

PCL 快速体素滤波（C++详细过程版）

点云侠的博客

01-18

1453

体素滤波需要计算体素内所有点的质心，数据量很大的情况下，遍历计算体素内所有点的质心是影响算法效率的重要因素。因此可以对体素质心的计算方法进行适当的改进。

PCL点云滤波之体素滤波

happy、day

02-09

779

体素采样主要用于减少点云的规模，同时尽可能保留点云的几何特性。它将点云划分为固定大小的三维网格（体素网格），然后对每个网格内的点进行聚合来生成新的点云。该方法广泛用于3D点云预处理，以提高点云处理效率。

【点云处理技术之PCL】滤波器——体素滤波器(pcl::VoxelGrid)

非晚非晚的博客

12-18

1万+

体素滤波器是一种下采样的滤波器，它的作用是使用体素化方法减少点云数量，采用体素格中接近中心点的点替代体素内的所有点云，这种方法比直接使用中心点要慢，但是更加精确。这种方式即减少点云数据，并同时保存点云的形状特征，在提高配准，曲面重建，形状识别等算法速度中非常实用。

#include <ros/ros.h> #include <ros/time.h> #include <pcl_ros/transforms.h> #include <pcl_ros/point_cloud.h> #include <tf/transform_listener.h> #include <sensor_msgs/PointCloud2.h> #include <nodelet/nodelet.h> #include <pluginlib/class_list_macros.h> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/filters/passthrough.h> #include <pcl/filters/voxel_grid.h> #include <pcl/filters/approximate_voxel_grid.h> #include <pcl/filters/radius_outlier_removal.h> #include <pcl/filters/statistical_outlier_removal.h> namespace hdl_graph_slam { class PrefilteringNodelet : public nodelet::Nodelet { public: typedef pcl::PointXYZI PointT; PrefilteringNodelet() {} virtual ~PrefilteringNodelet() {} virtual void onInit() { nh = getNodeHandle(); private_nh = getPrivateNodeHandle(); initialize_params(); points_sub = nh.subscribe("/velodyne_points", 64, &PrefilteringNodelet::cloud_callback, this); points_pub = nh.advertise<sensor_msgs::PointCloud2>("/fi

04-22

<think>好的，我现在要回答用户关于ROS的PrefilteringNodelet实现细节及参数初始化的问题。首先，我需要确认用户的需求。用户提到想了解PrefilteringNodelet的实现细节，特别是点云处理流程和参数初始化部分，可能需要代码示例。因此，我需要先回忆或查找关于这个节点的相关信息。 PrefilteringNodelet属于ROS中的某个包，可能是在自动驾驶或机器人感知中常用的点云预处理模块。根据常见的点云处理流程，预处理通常包括去噪、裁剪、降采样等步骤。参数初始化可能涉及这些处理步骤的参数设置，比如体素大小、裁剪范围、滤波方法等。接下来，我需要检查用户提供的引用内容。引用[1]提到了点云体素化和octomap，引用[2]涉及点云投影到图像和ROS编译运行。虽然这些可能与PrefilteringNodelet相关，但用户的问题更具体，需要直接相关的实现细节。首先，我应该考虑PrefilteringNodelet所在的ROS包。例如，在Autoware或PCL相关的包中可能有这样的节点。假设该节点属于autoware或类似的项目，预处理可能包括裁剪感兴趣区域，体素滤波，去除离群点等。然后，参数初始化的部分通常通过ROS的参数服务器加载，使用`getParam`等方法读取YAML文件中的配置参数。代码结构可能继承自Nodelet，重写onInit方法，并在其中初始化发布订阅和参数。处理流程方面，点云数据通过订阅输入，经过各个预处理步骤，然后发布处理后的点云。例如，裁剪点云到特定区域，应用体素滤波降低数据量，再进行统计滤波去除噪声。我需要确保提到的步骤和代码示例符合ROS的最佳实践，比如使用PCL库的函数，正确处理点云数据，以及正确的参数初始化方式。此外，代码示例应该展示如何声明参数，并在初始化时加载它们，以及在回调函数中处理点云数据。可能需要注意的细节包括：节点如何继承Nodelet类，如何设置发布者和订阅者，参数如何从ROS参数服务器获取，以及具体的点云处理算法实现。例如，体素滤波使用pcl::VoxelGrid，裁剪使用pcl::CropBox，统计滤波使用pcl::StatisticalOutlierRemoval。同时，需要验证这些步骤是否符合用户所提到的PrefilteringNodelet的实际实现。如果用户引用的内容中有提到octomap或点云投影，可能需要考虑这些步骤是否在预处理中起到作用，但根据问题，重点应放在预处理本身。最后，生成的相关问题需要围绕实现细节、参数调优和应用场景展开，帮助用户进一步探索该节点的其他方面。</think>### PrefilteringNodelet实现细节及参数初始化 PrefilteringNodelet是ROS中常用的点云预处理模块，主要用于激光雷达数据的降噪、区域裁剪和降采样。其核心实现分为**参数初始化**和**点云处理流程**两部分。 #### 一、参数初始化实现通过`onInit()`方法加载ROS参数服务器中的配置参数： ```cpp virtual void onInit() { private_nh_ = getPrivateNodeHandle(); // 加载裁剪范围参数 private_nh_.param("clip_min_x", clip_min_x_, -10.0); private_nh_.param("clip_max_x", clip_max_x_, 10.0); // 体素滤波分辨率 private_nh_.param("voxel_leaf_size", voxel_leaf_size_, 0.1); // 统计滤波参数 private_nh_.param("statistical_mean_k", statistical_mean_k_, 10); private_nh_.param("statistical_stddev", statistical_stddev_, 1.0); // 订阅/发布初始化 sub_ = private_nh_.subscribe("input", 1, &PrefilteringNodelet::callback, this); pub_ = private_nh_.advertise<sensor_msgs::PointCloud2>("output", 1); } ``` #### 二、点云处理流程典型的处理链包含三个核心步骤： 1. **区域裁剪**：使用$[clip_{min}, clip_{max}]$范围约束 2. **体素降采样**：通过$voxel\_leaf\_size$控制点云密度 3. **统计滤波**：基于$\mu \pm k\sigma$的离群点去除 ```cpp void callback(const sensor_msgs::PointCloud2ConstPtr& input) { pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>); pcl::fromROSMsg(*input, *cloud); // 1.区域裁剪 pcl::CropBox<pcl::PointXYZI> crop; crop.setMin(Eigen::Vector4f(clip_min_x_, -5.0, -2.0, 1.0)); crop.setMax(Eigen::Vector4f(clip_max_x_, 5.0, 2.0, 1.0)); crop.setInputCloud(cloud); crop.filter(*cloud); // 2.体素滤波 pcl::VoxelGrid<pcl::PointXYZI> voxel; voxel.setLeafSize(voxel_leaf_size_, voxel_leaf_size_, voxel_leaf_size_); voxel.setInputCloud(cloud); voxel.filter(*cloud); // 3.统计滤波 pcl::StatisticalOutlierRemoval<pcl::PointXYZI> sor; sor.setMeanK(statistical_mean_k_); sor.setStddevMulThresh(statistical_stddev_); sor.setInputCloud(cloud); sor.filter(*cloud); sensor_msgs::PointCloud2 output; pcl::toROSMsg(*cloud, output); pub_.publish(output); } ``` #### 三、参数配置文件示例在`*.params.yaml`中定义可调参数： ```yaml prefiltering: clip_min_x: -15.0 # 前向最小裁剪距离(m) clip_max_x: 30.0 # 前向最大检测距离 voxel_leaf_size: 0.15 # 体素边长 statistical_mean_k: 20 # 统计邻域点数 statistical_stddev: 0.5 # 标准差阈值 ``` 该实现通过参数化配置实现不同场景的适应性调整，如城市道路场景建议使用$voxel\_leaf\_size \in [0.1,0.3]$平衡精度与性能[^1]。