点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

为什么要进行点云压缩？

点云带有大量的数据，不仅包括三维信息，还有额外的距离，颜色，法向量等等。此外，点云可以快速生成，这会占有大量的内存资源。一旦点云必须被存储或者用于通信传输，对于点云的压缩技术就显得十分重要了。PCL提供了点云压缩功能，它支持对各种类型点云的压缩，其中包括无序点云，此外，在八叉树结构下的数据支持高效地合并多个来自不同数据源的点云。

压缩pcl::PointXYZ类型数据

code

最基本的操作：将读取点云，然后压缩成字节流，再将字节流解压。

 //先读取点云/*创建一个点云变量 的共享指针  并实例化*/pcl::PointCloud<pcl::PointXYZ> cloud;/*从 pcd文件  读取 点云*/if(pcl::io::loadPCDFile<pcl::PointXYZ>("../test_pcd.pcd",cloud)==-1){    //  返回值是 -1  代表 没有读到PCL_ERROR("Couldn't read file test_pcd.pcd \n");return  (-1);}

先读取点云，从 pcd文件读取点云。

 //打印压缩前从文件中读取的点云std::cout<<"before"<<std::endl;for(size_t i;i<cloud.points.size();++i){std::cout<<"x="<<cloud.points[i].x<<"\t"<<"y="<<cloud.points[i].y<<"\t"<<"z="<<cloud.points[i].z<<std::endl;}

打印压缩前从文件中读取的点云，压缩部分：

/* 设置压缩 和解压 时 的结果信息是否打印显示出来  */bool showStatistics = true ;//bool showStatistics = false;

设置压缩和解压时的结果信息是否打印显示出来。

打印的信息就是上面这种。

  /* 压缩选项  可以参考 usr/include/pcl/compression/compression_profiles.h   */    pcl::io::compression_Profiles_e compressionProfile = pcl::io::MANUAL_CONFIGURATION;//设定为允许为高级参数化进行手工配置

这个部分要详细说明下：pcl::io::MANUAL_CONFIGURATION 这个是压缩类型的一种 ， 用来配置 八叉树的压缩参数。如果选择进行手工设置，则需要在后面进行相关的参数设置。共6个参数。

可以参考：

usr/include/pcl/compression/compression_profiles.h

这个是文件里的可选的压缩类型。

下面分别对应着不同类型对应的参数，一共有6个参数。

pointResolution 点的分辨率该变量决定了点的坐标在编码时可以精确的程度，但是该变量只在进行细节编码（detail coding）时才会生效。

octreeResolution划分八叉树时最小块。

doVoxelGridDownDownSampling 是否对点云文件进行下采样。为true时，对点云文件进行下采样，以体素的中心点的坐标来代替整个体素内的点的坐标，而颜色则以体素内所有点的颜色的均值为代表，此时pointResolution不会生效。为false时，则进行细节编码,即编码一个体素内的具体坐标与颜色，实现方式是计算体素内每个点到体素左下角的偏移量，并通过整除pointResolution来得到整数坐标，而颜色则需编码体素内每个点的颜色相对于平均值的残差。

iFrameRate 用来决定进行I帧编码的频率，如果此数值为30，则每隔30帧进行一次I帧编码，中间的帧则进行P帧编码。

colorBitResolution 表示颜色的RGB的保留的有效位数；doColorEncoding 决定是否进行颜色编码。

下面列举下不同编码类型的对应的含义。

如果选择MANUAL_CONFIGURATION则需要后面设置参数，例如下面的：

  /*声明八叉树的压缩 变量  指针*/pcl::io::OctreePointCloudCompression<pcl::PointXYZ> * PointCloudEncoder;/*  进行 八叉树 的 压缩 配置  */PointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZ>(compressionProfile,showStatistics,0.001,0.01,true,100,true,8);//输入参数

进行八叉树的压缩配置，注意初始化的参数后面加了六个，对应上面写的六个参数。

   //压缩的字节流std::stringstream compressedData;/* 实现压缩的函数   第一个参数要求时只能指针，  .makeShared()即将cloud转成了 ptr */PointCloudEncoder->encodePointCloud(cloud.makeShared(),compressedData);

调用实现压缩的函数。第一个参数是要压缩的点云第二个参数是压缩的字节流。

 //声明 解压 缩 后的 点云 指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZ>());/* 实现 解压缩 的 地方 第一个参数字节流 第二个参数 点云指针*/PointCloudEncoder->decodePointCloud(compressedData,cloudOut);

解压缩点云的部分。

//打印解压缩后的点云坐标std::cout<<"after"<<std::endl;for(size_t i;i<cloudOut->points.size();++i){std::cout<<"x="<<cloudOut->points[i].x<<"\t"<<"y="<<cloudOut->points[i].y<<"\t"<<"z="<<cloudOut->points[i].z<<std::endl;}

打印解压后的点云数据。

result

可以看到前后的点云的顺序变了。

压缩 pcl::PointXYZRGB 类型数据

之前压缩的是XYZ类型的数据，XYZI类型的数据会报encodePointCloud函数调用错误，可以压缩XYZRGB的数据。

生成XYZRGB的数据

这次构建多个点云数据，通过代码生成。

 pcl::PointCloud<pcl::PointXYZRGB>::Ptr point_cloud_ptr(new pcl::PointCloud<pcl::PointXYZRGB>());;uint8_t r(255), g(15), b(15);for (float z(-1.0); z <= 1.0; z += 0.1){for (float angle(0.0); angle <= 360.0; angle += 60.0){pcl::PointXYZ basic_point;basic_point.x = 0.5 * cosf (float(angle/180*M_PI));basic_point.y = sinf (float(angle/180*M_PI));basic_point.z = z;pcl::PointXYZRGB point;point.x = basic_point.x;point.y = basic_point.y;point.z = basic_point.z;uint32_t rgb = (static_cast<uint32_t>(r) << 16 |static_cast<uint32_t>(g) << 8 | static_cast<uint32_t>(b));point.rgb = *reinterpret_cast<float*>(&rgb);point_cloud_ptr->points.push_back (point);}if (z < 0.0){r -= 12;g += 12;}else{g -= 12;b += 12;}}point_cloud_ptr->width = (int) point_cloud_ptr->points.size ();point_cloud_ptr->height = 1;   pcl::io::savePCDFile("creat_xyzrgb.pcd",*point_cloud_ptr);

自动生成点云，保存成pcd文件，点云类型为pcl::PointXYZRGB。

生成pcd文件后可以在终端通过pcl_viewer功能查看点云。

可以看到6个竖线，z逐渐升高。主要就是上面for条件的代码。

压缩与解压

这部分和上一节基本一致，注意点云类型一致就可以了。

/* 设置压缩 和解压 时 的结果信息是否打印显示出来  */bool showStatistics = true ;//bool showStatistics = false;/* 压缩选项  可以参考 usr/include/pcl/compression/compression_profiles.h   */    pcl::io::compression_Profiles_e compressionProfile = pcl::io::MANUAL_CONFIGURATION;//设定为允许为高级参数化进行手工配置/*声明八叉树的压缩 变量  指针*/pcl::io::OctreePointCloudCompression<pcl::PointXYZRGB> * PointCloudEncoder;/*  进行 八叉树 的 压缩 配置  */PointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGB>(compressionProfile,showStatistics,0.001,0.01,true,100,true,8);//输入参数//压缩的字节流std::stringstream compressedData;/* 实现压缩 的  函数   第一个参数要求时只能指针，  .makeShared()即将cloud转成了 ptr */PointCloudEncoder->encodePointCloud(cloud.makeShared(),compressedData);//声明 解压 缩 后的 点云 指针pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZRGB>());/* 实现 解压缩 的 地方 第一个参数字节流 第二个参数 点云指针*/PointCloudEncoder->decodePointCloud(compressedData,cloudOut);

result

通过：

viewer.showCloud(cloudOut);

查看解压后的点云，

和压缩前是一致的。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~