PCL体素滤波(voxel_grid)

PCL专栏目录及须知-优快云博客

注意:非常重要!!!最常用的抽稀,可以保持点云形态的条件下做到抽稀点云。必学!!!

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质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)计算每个体素块的质心点(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。

2.使用场景

抽稀:体素滤波使用最多,需要掌握。

工作中往往都使用体素滤波;体素滤波可以在抽稀的同时,保持点云的原始形态,并且速度也较快

3.注意事项

PCL中,计算质心点的函数为

Eigen::Vector4f centroid;                     // 质心 
pcl::compute3DCentroid(*cloud,centroid);      // 计算质心

4.关键函数

(1)设置最小体素块的xyz值

setLeafSize()

5.代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

int main()
{
    /****************体素滤波********************/
    // 原始点云
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
    pcl::io::loadPCDFile("D:/code/csdn/data/bunny.pcd", *cloud);   // 加载原始点云数据
    // 结果点云
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);

    // 体素滤波
    pcl::VoxelGrid<pcl::PointXYZRGB> filter;
    filter.setInputCloud(cloud);
    filter.setLeafSize(0.003, 0.003, 0.003);                        // 每个体素块的xyz值
    filter.filter(*cloud_filtered);

    /****************展示********************/
    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_raw(new pcl::visualization::PCLVisualizer("raw"));
    view_raw->addPointCloud<pcl::PointXYZRGB>(cloud, "raw cloud");
    view_raw->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "raw cloud");

    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_filtered(new pcl::visualization::PCLVisualizer("filter"));
    view_filtered->addPointCloud<pcl::PointXYZRGB>(cloud_filtered, "filtered cloud");
    view_filtered->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "filtered cloud");

    while (!view_raw->wasStopped())
    {
        view_raw->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
    while (!view_filtered->wasStopped())
    {
        view_filtered->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

6.结果点云

### PCL 中的滤波实现 #### 滤波概述 滤波是 Point Cloud Library (PCL) 库中用于点云数据处理的一种重要算法。该方法能够有效地对点云进行降采样和平滑化,从而减少冗余信息并提升后续操作的速度与精度[^1]。 #### 基本原理 具来说,滤波的工作机制如下: - **空间划分**:将三维空间分割成一系列固定大小的小立方——即所谓的“”。每个内部包含了若干个原始点。 - **点替换**:针对每一个非空内的所有点,采用某种策略选取一个代表性的新点作为替代品,默认情况下会选择这些点坐标的平均值(质心)来表示这个局部区域的信息。 - **降采样**:经过上述两步之后,原有点集就被转换成了数量更少的新集合,在很大程度上降低了模型复杂度而不失整形态特征[^4]。 #### Python 实现示例 下面给出一段利用 `pcl` 库执行滤波的具Python代码片段: ```python import pcl def voxel_filter(point_cloud, leaf_size=0.01): # 创建VoxelGrid对象 vox = point_cloud.make_voxel_grid_filter() # 设置(叶子节点)尺寸 vox.set_leaf_size(leaf_size, leaf_size, leaf_size) # 获取过滤后的点云 filtered_cloud = vox.filter() return filtered_cloud if __name__ == "__main__": # 加载点云文件 cloud = pcl.load_XYZRGB('path_to_your_pointcloud_file.pcd') # 执行滤波 result = voxel_filter(cloud) # 可视化结果 viewer = pcl.visualization.PCLVisualizering() viewer.SetBackgroundColor(0, 0, 0) viewer.AddPointCloud(result, b'filtered') while not viewer.WasStopped(): viewer.SpinOnce(10) ``` 这段程序展示了如何加载外部PCD格式的数据源,并对其进行简单的下采样处理,最后还提供了一个基本框架用来展示前后变化的效果图。 #### 应用场景 滤波广泛应用于多个领域内涉及大规模3D扫描数据的任务当中,比如但不限于以下几个方面: - **数据简化**:当面对超高密度采集所得来的庞大数据量时,可以通过适当增大尺度的方式快速削减不必要的重复记录; - **特征提取**:部分计算机视觉任务里往往只需要粗略轮廓即可满足识别需求,则此时较低分辨率版本反而有助于加快运算速度; - **预处理阶段**:无论是做匹配还是重构工作之前都建议先完成一次这样的初步清理动作以便于后续流程更加顺畅高效地开展下去。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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