一、PCL滤波
直通滤波
设置一个x，y，z的要保存的点的范围，滤出超过范围的点
//创建一个直通滤波器的对象，并设置相关参数
pcl::PassThrough<pcl::PointXYZ> pass; //创建对象
pass.setInputCloud(cloud); //设置输入点云
pass.setFilterFieldName("z"); //设置过滤字段，这里对z轴上的点云进行过滤
pass.setFilterLimits(0.0, 1.0); //设置过滤范围，这里选择过滤掉0~1范围内的点云
//pass.setFilterLimitsNegative (true); //设置选择保留范围内的还是过滤掉范围内的点云
pass.filter(*cloud_filtered); //执行滤波，结果保存在cloud_filter中
体素滤波
将空间划分为一定体积的网格，用网格内所有点的质心来代替所有点（适合于一个比较稠密的场景）特征后期需要根据应用场景进行调参，去寻找一个合适的网格大小
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h> //头文件
int
main(int argc, char** argv)
{
pcl::PCLPointCloud2::Ptr cloud(new pcl::PCLPointCloud2());
pcl::PCLPointCloud2::Ptr cloud_filtered(new pcl::PCLPointCloud2());
// Fill in the cloud data
pcl::PCDReader reader; //读文件对象
// Replace the path below with the path where you saved your file
//可以换成你自己电脑上的对应文件路径
reader.read("./pcd/table_scene_lms400.pcd", *cloud); //确保你有这个pcd的文件
std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height
<< " data points (" << pcl::getFieldsList(*cloud) << ").";
//创建voxelGrid对象，及相关参数的设置
pcl::VoxelGrid<pcl::PCLPointCloud2> sor; //创建voxelGrid对象
sor.setInputCloud(cloud); //设置输入点云
sor.setLeafSize(0.01f, 0.01f, 0.01f); //设置体素大小，单位是m，这里设置成了1cm的立方体
sor.filter(*cloud_filtered); //执行滤波，结果保存在cloud_filter中
std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height
<< " data points (" << pcl::getFieldsList(*cloud_filtered) << ").";
//写入文件中
pcl::PCDWriter writer;
writer.write("table_scene_lms400_downsampled.pcd", *cloud_filtered,
Eigen::Vector4f::Zero(), Eigen::Quaternionf::Identity(), false);
return (0);
}
基于统计学的离群点滤波
统计每个点与周围最邻近的若干个点的平均距离，滤除大于阈值的离群点
//创建滤波器对象，及相关参数设置
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; //创建对象
sor.setInputCloud(cloud); //设置输入点云
sor.setMeanK(50); //设置统计时考虑查询点邻近点数
/*
* 设置判断是否为离群点的阈值
* 更具体为设置标准差倍数阈值 std_mul ，点云中所有点与其邻域的距离大于 μ ±σ• std_mul
* 则被认为是离群点，其中 μ 代表估计的平均距离， σ 代表标准差 。
*/
sor.setStddevMulThresh(1.0); //设置为1代表：如果一个点的距离超过平均距离一个标准差以上，则会被当做离群点去除
sor.filter(*cloud_filtered); //执行滤波，并将结果保存在cloud_filter中
半径滤波
用于用户指定每个点的一定范围内周围至少有足够多的近邻，如果指定至少需要2个近邻，那么以某个点为圆心，在一定半径大小的圆内，除了它自己还需要存在两个点，否则这个圆内的所有点都将被删除。
//创建过滤器
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
outrem.setInputCloud(cloud); //设置输入点云
outrem.setRadiusSearch(0.8); //设置在0.8的半径范围内找近邻点
outrem.setMinNeighborsInRadius(2); //设置查询查询点的近邻点集数小于2的删除
outrem.filter(*cloud_filtered); //执行滤波，结果保存在cloud_filter
可以用于处理空气中的噪点和边缘的噪点
二、PCL聚类与分割
RANSAC随机抽样一致性算法（主要是平面、聚类、法线、圆柱分割、索引提取）
1.平面分割
pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
// Create the segmentation object
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setModelType (pcl::SACMODEL_PLANE);//待拟合的类型
seg.setMethodType (pcl::SAC_RANSAC);
seg.setDistanceThreshold (0.01);//设置阈值
seg.setInputCloud (cloud);
seg.segment (*inliers, *coefficients);//前者存放内点的索引和模型参数
2.法线估计
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/integral_image_normal.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>//法线
int main()
{
//加载点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile("E:/pcl_project/normal/normal/table_scene_lms400.pcd", *cloud);
//估计法线
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
//创建一个空的kdtree对象，并把它传递给法线估计对象
//基于给出的输入数据集，kdtree将被建立
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
ne.setSearchMethod(tree);
//输出数据集
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
//使用半径在查询点周围3厘米范围内的所有邻元素，这里参数的单位为米
ne.setRadiusSearch(0.03);
//计算特征值
ne.compute(*cloud_normals);
// cloud_normals->points.size ()应该与input cloud_downsampled->points.size ()有相同尺寸
//法线可视化
pcl::visualization::PCLVisualizer viewer("PCL Viewer");
viewer.setBackgroundColor(0.0, 0.0, 0.0);
viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, cloud_normals);
while (!viewer.wasStopped())
{
viewer.spinOnce();
}
return 0;
}
3.圆柱拟合
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h> // 法向量估计
#include <pcl/segmentation/sac_segmentation.h> // 模型分割
#include <pcl/filters/extract_indices.h> // 索引提取
#include <pcl/visualization/cloud_viewer.h> // 可视化
using namespace std;
typedef pcl::PointXYZ PointT;
int main()
{
//-----------------------------加载点云--------------------------------
pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
if (pcl::io::loadPCDFile("test.pcd", *cloud) < 0)
{
PCL_ERROR("\a点云文件不存在！\n");
system("pause");
return -1;
}
cout << "->加载数据点的个数：" << cloud->points.size() << endl;
//=====================================================================
//-----------------------------法线估计--------------------------------
cout << "->正在计算法线..." << endl;
pcl::NormalEstimation<PointT, pcl::Normal> ne; // 创建法向量估计对象
pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>());
ne.setSearchMethod(tree); // 设置搜索方式
ne.setInputCloud(cloud); // 设置输入点云
ne.setKSearch(50); // 设置K近邻搜索点的个数
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
ne.compute(*cloud_normals); // 计算法向量，并将结果保存到cloud_normals中
//=====================================================================
//----------------------------圆柱体分割--------------------------------
cout << "->正在圆柱体分割..." << endl;
pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg; // 创建圆柱体分割对象
seg.setInputCloud(cloud); // 设置输入点云：待分割点云
seg.setOptimizeCoefficients(true); // 设置对估计的模型系数需要进行优化
seg.setModelType(pcl::SACMODEL_CYLINDER); // 设置分割模型为圆柱体模型
seg.setMethodType(pcl::SAC_RANSAC); // 设置采用RANSAC算法进行参数估计
seg.setNormalDistanceWeight(0.1); // 设置表面法线权重系数
seg.setMaxIterations(10000); // 设置迭代的最大次数
seg.setDistanceThreshold(0.05); // 设置内点到模型距离的最大值
seg.setRadiusLimits(3.0, 4.0); // 设置圆柱模型半径的范围
seg.setInputNormals(cloud_normals); // 设置输入法向量
pcl::PointIndices::Ptr inliers_cylinder(new pcl::PointIndices); // 保存分割结果
pcl::ModelCoefficients::Ptr coefficients_cylinder(new pcl::ModelCoefficients); // 保存圆柱体模型系数
seg.segment(*inliers_cylinder, *coefficients_cylinder); // 执行分割，将分割结果的索引保存到inliers_cylinder中，同时存储模型系数coefficients_cylinder
cout << "\n\t\t-----圆柱体系数-----" << endl;
cout << "轴线一点坐标：(" << coefficients_cylinder->values[0] << ", "
<< coefficients_cylinder->values[1] << ", "
<< coefficients_cylinder->values[2] << ")"
<< endl;
cout << "轴线方向向量：(" << coefficients_cylinder->values[3] << ", "
<< coefficients_cylinder->values[4] << ", "
<< coefficients_cylinder->values[5] << ")"
<< endl;
cout << "圆柱体半径：" << coefficients_cylinder->values[6] << endl;
//=====================================================================
//------------------------------提取分割结果----------------------------
cout << "->正在提取分割结果..." << endl;
pcl::ExtractIndices<PointT> extract; // 创建索引提取点对象
extract.setInputCloud(cloud); // 设置输入点云：待分割点云
extract.setIndices(inliers_cylinder); // 设置内点索引
extract.setNegative(false); // 默认false，提取圆柱体内点；true，提取圆柱体外点
pcl::PointCloud<PointT>::Ptr cloud_cylinder(new pcl::PointCloud<PointT>());
extract.filter(*cloud_cylinder); // 执行滤波，并将结果点云保存到cloud_cylinder中
//=====================================================================
//----------------------------------保存分割结果------------------------
if (!cloud_cylinder->points.empty())
{
pcl::PCDWriter writer;
writer.write("cylinder.pcd", *cloud_cylinder, true);
cout << "->圆柱体模型点云个数：" << cloud_cylinder->size() << endl;
}
else
{
PCL_ERROR("未提取出圆柱体模型点！\a\n");
}
//=====================================================================
//-------------------------可视化分割结果（可选操作）--------------------
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("可视化分割结果"));
///视口1：原始点云
int v1;
viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1); //设置第一个视口在X轴、Y轴的最小值、最大值，取值在0-1之间
viewer->setBackgroundColor(0, 0, 0, v1);
viewer->addText("original_point_cloud", 10, 10, "v1 text", v1);
viewer->addPointCloud<PointT>(cloud, "original_point_cloud", v1);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "original_point_cloud", v1);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "original_point_cloud", v1);
///视口2：分割后点云
int v2;
viewer->createViewPort(0.5, 0.0, 1.0, 1.0, v2);
viewer->setBackgroundColor(0.3, 0.3, 0.3, v2);
viewer->addText("segment_point_cloud", 10, 10, "v2 text", v2);
pcl::visualization::PointCloudColorHandlerCustom<PointT> set_color(cloud_cylinder, 0, 255, 0);
viewer->addPointCloud<PointT>(cloud_cylinder, set_color, "segment_point_cloud", v2);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "segment_point_cloud", v2);
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
boost::this_thread::sleep(boost::posix_time::microseconds(100000));
}
//=====================================================================
return 0;
}
可视化
1.展示一个窗口
(采用while循环)
2.直接在终端查看
pcl_viewer xxx.pcd
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。