PCL点云使用贪婪三角化进行曲面重构

一、PCL点云平滑和法线估计

题目：https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486705&idx=1&sn=ca333d7bb12b7c226270e98d0003a789&chksm=97d7e966a0a06070a8dba605966016d227d7a6cad786498070d9e1b8cea8747470a4840257fd&scene=21#wechat_redirect

/***************************** 题目：给定一个融合后的点云，已经对其进行下采样和滤波（代码已给）。* 请对其进行平滑（输出结果），然后计算法线，并讲法线显示在平滑后的点云上（提供截图）。*
* 本程序学习目标：* 熟悉PCL的平滑、法线计算、显示，为网格化做铺垫。** 公众号：计算机视觉life。发布于公众号旗下知识星球：从零开始学习SLAM* 时间：2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>typedef pcl::PointXYZRGB PointT;int main(int argc, char** argv)
{// Load input filepcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1){cout << "点云数据读取失败！" << endl;}std::cout << "Orginal points number: " << cloud->points.size() << std::endl;// 下采样，同时保持点云形状特征pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体downSampled.filter (*cloud_downSampled);           //执行滤波处理，存储输出std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);// 统计滤波pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filteredstd::cout << "cloud_filtered: " << cloud_filtered->size()<<std::endl;pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);// ----------------------开始你的代码--------------------------//// 请参考PCL官网实现以下功能// 对点云重采样pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);pcl::PointCloud<PointT> mls_point;pcl::MovingLeastSquares<PointT,PointT> mls;mls.setComputeNormals(false);mls.setInputCloud(cloud_filtered);mls.setPolynomialOrder(2);mls.setPolynomialFit(false);mls.setSearchMethod(treeSampling);mls.setSearchRadius(0.05);mls.process(mls_point);// 输出重采样结果cloud_smoothed = mls_point.makeShared();std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;//save cloud_smoothedpcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);// 法线估计pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;normalEstimation.setInputCloud(cloud_smoothed);pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);normalEstimation.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);normalEstimation.setKSearch(10);normalEstimation.compute(*normals);std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;pcl::io::savePCDFileASCII("normals.pcd",*normals);// ----------------------结束你的代码--------------------------//// 显示结果boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));viewer->setBackgroundColor (0, 0, 0);pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//colorviewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");viewer->initCameraParameters ();while (!viewer->wasStopped ()){viewer->spinOnce (100);boost::this_thread::sleep (boost::posix_time::microseconds (100000));}return 0;
}

1、控制法线显示的数目：

    viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");

10，就是每10个法线显示一个。

0.1，就是每个法线的长度。

2、获取PointCloud的Fields

pcl::getFieldsList(*normals)

二、贪婪三角化投影曲面重建

计算流程：点云输入 --> 下采样 --> 统计滤波去除离群点 --> mls移动最小二乘法进行平滑处理 --> 对平滑后的点云进行法线估计(有向点云) --> 将法线和平滑后的点云的Fields拼接在一起 --> 贪婪三角化 -->显示输出

/***************************** 题目：给定一个融合后的点云，已经对其进行下采样和滤波（代码已给）。* 请对其进行平滑（输出结果），然后计算法线，并讲法线显示在平滑后的点云上（提供截图）。*
* 本程序学习目标：* 熟悉PCL的平滑、法线计算、显示，为网格化做铺垫。** 公众号：计算机视觉life。发布于公众号旗下知识星球：从零开始学习SLAM* 时间：2018.12
****************************/
#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>#include <pcl/surface/gp3.h>typedef pcl::PointXYZ PointT;int main(int argc, char** argv)
{// Load input filepcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);if (pcl::io::loadPCDFile("./fusedCloud.pcd", *cloud) == -1){cout << "点云数据读取失败！" << endl;}std::cout << "Orginal points number: " << cloud->points.size() << std::endl;// 下采样，同时保持点云形状特征pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体downSampled.filter (*cloud_downSampled);           //执行滤波处理，存储输出std::cout<<"cloud_downSampled: " << cloud_downSampled->size()<<std::endl;pcl::io::savePCDFile ("./downsampledPC.pcd", *cloud_downSampled);// 统计滤波pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filteredstd::cout << "cloud_statical_filtered: " << cloud_filtered->size()<<std::endl;pcl::io::savePCDFile ("./filteredPC.pcd", *cloud_filtered);// ----------------------开始你的代码--------------------------//// 请参考PCL官网实现以下功能// 对点云重采样pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);pcl::PointCloud<PointT> mls_point;pcl::MovingLeastSquares<PointT,PointT> mls;mls.setComputeNormals(false);mls.setInputCloud(cloud_filtered);mls.setPolynomialOrder(2);mls.setPolynomialFit(false);mls.setSearchMethod(treeSampling);mls.setSearchRadius(0.05);mls.process(mls_point);// 输出重采样结果cloud_smoothed = mls_point.makeShared();std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;//save cloud_smoothedpcl::io::savePCDFileASCII("cloud_smoothed.pcd",*cloud_smoothed);// 法线估计pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;normalEstimation.setInputCloud(cloud_smoothed);pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);normalEstimation.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);normalEstimation.setKSearch(10);normalEstimation.compute(*normals);std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;pcl::io::savePCDFileASCII("normals.pcd",*normals);//Triangle Projectionpcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);pcl::concatenateFields(*cloud_smoothed,*normals,*cloud_with_normals);std::cout<<"cloud_with_normals fields: "<<pcl::getFieldsList(*cloud_with_normals)<<std::endl;pcl::io::savePCDFileASCII("cloud_with_normals.pcd",*cloud_with_normals);pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);tree2->setInputCloud(cloud_with_normals);pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;pcl::PolygonMesh triangles;gp3.setSearchRadius(0.1);gp3.setMu(2.5);gp3.setMaximumNearestNeighbors(52);gp3.setMaximumAngle(2*M_PI/3);gp3.setMinimumAngle(M_PI/18);gp3.setMaximumSurfaceAngle(M_PI/4);gp3.setNormalConsistency(false);gp3.setInputCloud(cloud_with_normals);gp3.setSearchMethod(tree2);gp3.reconstruct(triangles);// ----------------------结束你的代码--------------------------//// 显示结果boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("PCL Viewer"));viewer->setBackgroundColor (0, 0, 0);
/*pcl::visualization::PointCloudColorHandlerRGBField<PointT> rgb(cloud_smoothed);//colorviewer->addPointCloud<PointT> (cloud_smoothed, rgb, "smooth cloud");viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "smooth cloud");viewer->addPointCloudNormals<PointT, pcl::Normal> (cloud_smoothed, normals, 10, 0.1, "normals");
*/viewer->addPolygonMesh(triangles,"GPTriangle");viewer->addText("GPTriangle",0,0,"GPTriangle");viewer->initCameraParameters ();while (!viewer->wasStopped ()){viewer->spinOnce (100);boost::this_thread::sleep (boost::posix_time::microseconds (100000));}return 0;
}

参考：https://cloud.tencent.com/developer/article/1436518

可视化：

重建效果图2：

几个需要注意的地方：

1、贪婪三角化算法必须要求点云是平滑的，且密度变化均匀（这也是上一步为什么要做一个平滑处理）。

2、贪婪投影三角化要求输入的点云必须是有向点云，所以对平滑后的点云进行法向量估计，并且将其Fields拼接在一起

3、拼接Fields的时候函数

pcl::concatenateFields

只能接受PointXYZ类型的点云数据，对于平滑后的带有RGB信息的点云要将其以PointXYZ的类型读入。

4、重建结果显示是函数

viewer->addPolygonMesh(triangles,"GPTriangle");

PCL点云使用贪婪三角化进行曲面重构相关推荐

三维点云质心与三角化 — python open3d
1 质心介绍质心概念与重心的计算方式相同.如下所示: (1) 即 ...
PCL点云曲面重采样三种方法：上采样，下采样，均匀采样
(1)下采样 Downsampling 一般下采样是通过构造一个三维体素栅格,然后在每个体素内用体素内的所有点的重心近似显示体素中的其他点,这样体素内所有点就用一个重心点来表示,进行下采样的来达到滤 ...
【PCL-3】点云模型网格化--贪婪投影三角化算法
贪婪投影三角化算法是一种对原始点云进行快速三角化的算法,该算法假设曲面光滑,点云密度变化均匀,不能在三角化的同时对曲面进行平滑和孔洞修复. 方法: (1)将三维点通过法线投影到某一平面: (2)对投影 ...
PCL中GreedyProjection三角化算法简介与示例
文章目录前言一.PCL点云三角化 1.1 Delaunay三角剖分 1.2 贪婪三角化二.程序示例总结前言 Delaunay三角剖分最初应用于2维领域,而与Greedy三角化算法的结合,使之 ...
贪婪投影三角化算法中的参数设置
无序点云的快速三角化本小节描述了怎样使用贪婪投影三角化算法对有向点云进行三角化,具体方法是先将有向点云投影到某一局部二维坐标平面内,再在坐标平面内进行平面内的三角化,再根据平面内三位点的拓扑连接关系 ...
pcl点云三维重建面片赋予彩色
1.对三角化后的点云赋予颜色在对点云进行三维重建时,使用贪婪三角化得到将点云重建后的曲面,但曲面一般默认是白色的网格,视觉效果很不好,如下图. 将点云三角化后的面片设置为彩色的步骤为,首先初始化xy ...
matlab trangle,Triangle-of-Point-Cloud Matlab 三维点云三角化不是平面域的三角化是三维点云三角化亲身测试绝对可用！ - 下载 - 搜珍网...
Triangle of Point Cloud/ Triangle of Point Cloud/Matlab点云三角化/ Triangle of Point Cloud/Matlab点云三角化/Bl ...
PCL点云处理之点云质心的三种计算方法（七十六）
PCL点云处理之点云质心的三种计算方法(七十六) 一.质心? 二.算法实验 1.代码 2.效果一.质心? 就计算某块点云坐标均值,可以调库,也可以自己算,easy 二.算法实验 1.代码代码如下( ...
点云重建/点云三角化/网格化
点云重建/点云三角化/网格化 rgbd传感器获取的数据通常是大量的三维点,后期的处理过程都是在对这些点的坐标进行处理.而在3D打印邻域,仅仅依靠这些点坐标是无法进行打印的.而点云网格化就可以把点云转换 ...

PCL点云使用贪婪三角化进行曲面重构

PCL点云使用贪婪三角化进行曲面重构相关推荐

最新文章

热门文章