當前位置：首頁 > 人文社科 > 生活经验 >内容正文

生活经验

点云滤波方法记录

發布時間：2023/11/27 生活经验 29 豆豆

生活随笔收集整理的這篇文章主要介紹了点云滤波方法记录小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

本片博客的濾波方式引用https://blog.csdn.net/qq_34719188/article/details/79179430該網址的博主內容。

1.本人主要用SICK掃描儀做管道對接課題，前期針對于測量采集的txt數據轉換為pcd文件格式：代碼如下

點云數據txt轉pcd格式
#include "pch.h"
#include<iostream> 
#include<fstream>
#include<vector>
#include<string>
#include<pcl\io\pcd_io.h>
#include<pcl\point_types.h>
using namespace std;
int main()
{	//定義一種類型表示TXT中xyz	typedef struct TXT_Point_XYZ	{	double x;		double y;		double z;	}TOPOINT_XYZ; 	//讀取txt文件	int num_txt;	FILE *fp_txt;	TXT_Point_XYZ txt_points;	vector<TXT_Point_XYZ> my_vTxtPoints;	fp_txt = fopen("C://Users//HEHE//Desktop//Chair.txt","r"); 	if (fp_txt)	{		while (fscanf(fp_txt, "%lf %lf %lf", &txt_points.x, &txt_points.y, &txt_points.z) != EOF)		{//將點存入容器尾部			my_vTxtPoints.push_back(txt_points);		}	}	else		cout << "讀取txt文件失敗"<<endl; 	num_txt = my_vTxtPoints.size(); 	//寫入點云數據	pcl::PointCloud<pcl::PointXYZ> ::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);	cloud->width = num_txt;	cloud->height = 1;	cloud->is_dense = false;	cloud->points.resize(cloud->width*cloud->height);	for (int i = 0; i < cloud->points.size(); ++i)	{		cloud->points[i].x = my_vTxtPoints[i].x;		cloud->points[i].y = my_vTxtPoints[i].y;		cloud->points[i].z = my_vTxtPoints[i].z;	}	pcl::io::savePCDFileASCII("C://Users//HEHE//Desktop//Chair.pcd", *cloud);	cout<< "從 Chair.txt讀取" << cloud->points.size() << "點寫入Chair.pcd" << endl;		//打印出寫入的點    cout << "_________________________________" << endl;	for (size_t i = 0; i < cloud->points.size(); ++i)		cout << "    " << cloud->points[i].x		<< " " << cloud->points[i].y		<< " " << cloud->points[i].z << endl; 	return 0;
}

如下左邊為txt格式數據，右邊為轉化的pcd文件格式。

2.針對于轉化的pcd格式文件再進行濾波處理，在濾波的算法選擇上，個人覺得針對于自己的數據采集區域不同，要達到的目的不一樣，所選擇的濾波算法也應該不一樣，但是在濾波算法選擇上還是挺迷茫的，希望有大神能指導一下（QQ：1753939345）

? ? ?? 第一種濾波算法：VoxelGrid濾波器對點云進行下采樣，（使用體素化網格方法實現下采樣，即減少點的數量減少點云數據，并同時保存點云的形狀特征，在提高配準，曲面重建，形狀識別等算法速度中非常實用，PCL是實現的VoxelGrid類通過輸入的點云數據創建一個三維體素柵格，容納后每個體素內用體素中所有點的重心來近似顯示體素中其他點，這樣該體素內所有點都用一個重心點最終表示，對于所有體素處理后得到的過濾后的點云，這種方法比用體素中心（注意中心和重心）逼近的方法更慢，但是對于采樣點對應曲面的表示更為準確。）

#include "pch.h"
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>int
main(int argc, char** argv)
{pcl::PCLPointCloud2::Ptr cloud(new pcl::PCLPointCloud2());pcl::PCLPointCloud2::Ptr cloud_filtered(new pcl::PCLPointCloud2());//點云對象的讀取pcl::PCDReader reader;reader.read("C://Users//HEHE//Desktop//Chair.pcd", *cloud);    //讀取點云到cloud中std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height<< " data points (" << pcl::getFieldsList(*cloud) << ").";/******************************************************************************創建一個葉大小為1cm的pcl::VoxelGrid濾波器，**********************************************************************************/pcl::VoxelGrid<pcl::PCLPointCloud2> sor;  //創建濾波對象sor.setInputCloud(cloud);            //設置需要過濾的點云給濾波對象//sor.setLeafSize(0.01f, 0.01f, 0.01f);  //設置濾波時創建的體素體積為1cm的立方體sor.setLeafSize(10.0f, 10.0f, 10.0f);//該部分如果選擇的體素體積太小，就會造成索引溢
//出，所以本人改大點。sor.filter(*cloud_filtered);           //執行濾波處理，存儲輸出std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height<< " data points (" << pcl::getFieldsList(*cloud_filtered) << ").";pcl::PCDWriter writer;writer.write("C://Users//HEHE//Desktop//Chair_downsampled.pcd", *cloud_filtered,Eigen::Vector4f::Zero(), Eigen::Quaternionf::Identity(), false);return (0);
}

左邊圖形是Chair的原采集數據，右邊是經過濾波降采樣之后的數據，本人是將保存的數據分別導入進CouldCompare進行查看的：

? ? ? ? 第2中濾波算法：statisticalOutlierRemoval濾波器移除離群點（**問題描述：**激光掃描通常會產生密度不均勻的點云數據集，另外測量中的誤差也會產生稀疏的離群點，此時，估計局部點云特征（例如采樣點處法向量或曲率變化率）時運算復雜，這會導致錯誤的數值，反過來就會導致點云配準等后期的處理失敗。）（**解決辦法：**對每個點的鄰域進行一個統計分析，并修剪掉一些不符合標準的點。具體方法為在輸入數據中對點到臨近點的距離分布的計算，對每一個點，計算它到所有臨近點的平均距離（假設得到的結果是一個高斯分布，其形狀是由均值和標準差決定），那么平均距離在標準范圍之外的點，可以被定義為離群點并從數據中去除。）代碼如下：

//statisticalOutlierRemoval濾波器移除離群點
#include "pch.h"
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>int
main(int argc, char** argv)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);// 定義讀取對象pcl::PCDReader reader;// 讀取點云文件reader.read<pcl::PointXYZ>("C://Users//HEHE//Desktop//Chair.pcd", *cloud);std::cerr << "Cloud before filtering: " << std::endl;std::cerr << *cloud << std::endl;// 創建濾波器，對每個點分析的臨近點的個數設置為50 ，并將標準差的倍數設置為1  這意味著如果一//個點的距離超出了平均距離一個標準差以上，則該點被標記為離群點，并將它移除，存儲起來pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;   //創建濾波器對象sor.setInputCloud(cloud);                           //設置待濾波的點云sor.setMeanK(50);                               //設置在進行統計時考慮查詢點臨近點數sor.setStddevMulThresh(1.0);                      //設置判斷是否為離群點的閥值sor.filter(*cloud_filtered);                    //存儲std::cerr << "Cloud after filtering: " << std::endl;std::cerr << *cloud_filtered << std::endl;pcl::PCDWriter writer;writer.write<pcl::PointXYZ>("C://Users//HEHE//Desktop//Chair_inliers.pcd", *cloud_filtered, false);sor.setNegative(true);sor.filter(*cloud_filtered);writer.write<pcl::PointXYZ>("C://Users//HEHE//Desktop//Chair_outliers.pcd", *cloud_filtered, false);return (0);
}

在運行該代碼時可能會出現一個錯誤：

解決方案如下：https://github.com/mariusmuja/flann/issues/386

找到你自己的dist.h文件，修改方案為：將該條語句放置在#if之前即可。

In order to fix the issues and get my program and the PCL libraries working correctly I had to move the "typedef unsigned long long pop_t;" outside the #if and #else so that either one will use the parameter to do the math. I don't know if this was the intent of this code but in order to progress in my software application I needed this error fixed. Please fix this as soon as possible and let me know so I can just update the flann and not worry about it.

上述代碼運行結果：

? ? 第3：從一個點云中提取索引，基于某一分割算法提取點云中的一個子集：

//基于某一分割算法提取點云中的一個子集
#include "pch.h"
#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/extract_indices.h>int
main(int argc, char** argv)
{/**********************************************************************************************************從輸入的.PCD 文件載入數據后，創建一個VOxelGrid濾波器對數據進行下采樣，在這里進行下才樣是為了加速處理過程，越少的點意味著分割循環中處理起來越快**********************************************************************************************************/pcl::PCLPointCloud2::Ptr cloud_blob(new pcl::PCLPointCloud2), cloud_filtered_blob(new pcl::PCLPointCloud2);//申明濾波前后的點云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>), cloud_p(new pcl::PointCloud<pcl::PointXYZ>), cloud_f(new pcl::PointCloud<pcl::PointXYZ>);// 讀取PCD文件pcl::PCDReader reader;reader.read("C://Users//HEHE//Desktop//Chair.pcd", *cloud_blob);//統計濾波前的點云個數std::cerr << "PointCloud before filtering: " << cloud_blob->width * cloud_blob->height << " data points." << std::endl;// 創建體素柵格下采樣: 下采樣的大小為1cmpcl::VoxelGrid<pcl::PCLPointCloud2> sor;  //體素柵格下采樣對象sor.setInputCloud(cloud_blob);             //原始點云//sor.setLeafSize(0.01f, 0.01f, 0.01f);    // 設置采樣體素大小sor.setLeafSize(8.0f, 8.0f, 8.0f);    // 設置采樣體素大小sor.filter(*cloud_filtered_blob);        //保存// 轉換為模板點云pcl::fromPCLPointCloud2(*cloud_filtered_blob, *cloud_filtered);std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height << " data points." << std::endl;// 保存下采樣后的點云pcl::PCDWriter writer;writer.write<pcl::PointXYZ>("C://Users//HEHE//Desktop//CCChair_downsampled.pcd", *cloud_filtered, false);pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients());pcl::PointIndices::Ptr inliers(new pcl::PointIndices());pcl::SACSegmentation<pcl::PointXYZ> seg;               //創建分割對象seg.setOptimizeCoefficients(true);                    //設置對估計模型參數進行優化處理seg.setModelType(pcl::SACMODEL_PLANE);                //設置分割模型類別seg.setMethodType(pcl::SAC_RANSAC);                   //設置用哪個隨機參數估計方法seg.setMaxIterations(1000);                            //設置最大迭代次數seg.setDistanceThreshold(0.01);                      //判斷是否為模型內點的距離閥值// 設置ExtractIndices的實際參數pcl::ExtractIndices<pcl::PointXYZ> extract;        //創建點云提取對象int i = 0, nr_points = (int)cloud_filtered->points.size();// While 30% of the original cloud is still therewhile (cloud_filtered->points.size() > 0.3 * nr_points){// 為了處理點云包含的多個模型，在一個循環中執行該過程并在每次模型被提取后，保存剩余的點進行迭代seg.setInputCloud(cloud_filtered);seg.segment(*inliers, *coefficients);if (inliers->indices.size() == 0){std::cerr << "Could not estimate a planar model for the given dataset." << std::endl;break;}// Extract the inliersextract.setInputCloud(cloud_filtered);extract.setIndices(inliers);extract.setNegative(false);extract.filter(*cloud_p);std::cerr << "PointCloud representing the planar component: " << cloud_p->width * cloud_p->height << " data points." << std::endl;std::stringstream ss;ss << "table_scene_lms400_plane_" << i << ".pcd";writer.write<pcl::PointXYZ>(ss.str(), *cloud_p, false);// Create the filtering objectextract.setNegative(true);extract.filter(*cloud_f);cloud_filtered.swap(cloud_f);i++;}return (0);
}

程序運行截圖：

左邊對應原始圖，右邊對應提取圖。

總結

以上是生活随笔為你收集整理的点云滤波方法记录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

方法

上一篇： SICK LMS151-10100使用攻
下一篇：点云的NANS