利用PCL点云下采样实现数据体素化

PCL

PCL(Point Cloud Library) 库集成了针对大体量级别的空间点数据处理所需要的算法和操作，降低了处理相关需求的复杂度，对快速建立点云数据文档和渲染有着很好的作用。

体素化Voxelization

体素化是通过用空间均匀大小的体素网格(voxel grid)来模拟模型或者点云的几何形态的过程，实现模型体素化的方式有很多，比如基于八叉树的三模网格模型体素化，基于GPU并利用渲染管线中fragment shader部分实现的栅格化插值。本章主要讨论用PCL的下采样方式来实现模型点云的体素化，并且实现可视化。

算法

读入点云数据。
获取AABB盒子。
对点云数据进行下采样过滤。（实现体素化）
渲染可视化。

【建立结构体】

typedef struct point_XYZ{double point_X;double point_Y;double point_Z;double point_R;
};

【读入点云数据】

 //point cloudspcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_txt(new pcl::PointCloud<pcl::PointXYZ>());pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filter(new pcl::PointCloud<pcl::PointXYZ>());FILE *file;int point_Sum; point_XYZ point;vector<point_XYZ> vec_Point;file = fopen(argv[1], "r");if(file){while(fscanf(file, "%lf %lf %lf", &point.point_X, &point.point_Y, &point.point_Z) != EOF){vec_Point.push_back(point);}}else{cout << "Could not load data from " << argv[1] <<" file..." <<endl;return 0;}fclose(file);point_Sum = vec_Point.size();for(size_t i = 0; i< cloud -> points.size(); ++i){cloud -> points[i].x = vec_Point[i].point_X;cloud -> points[i].y = vec_Point[i].point_Y;cloud -> points[i].z = vec_Point[i].point_Z;}

或者直接从PCD文件中读入点云信息

 if(pcl::io::loadPCDFile(pcdName, *cloud) == -1){cout << "Could not open the file: " << pcdName << "..." <<endl;return -1;}

【获取AABB】

 pcl::MomentOfInertiaEstimation <pcl::PointXYZ> feature_extractor;feature_extractor.setInputCloud(cloud);feature_extractor.compute();pcl::PointXYZ min_point_AABB;pcl::PointXYZ max_point_AABB;feature_extractor.getAABB(min_point_AABB, max_point_AABB);

【下采样体素化】

 //VoxelGrid filtering ***PCL***pcl::VoxelGrid<pcl::PointXYZ> fil;fil.setInputCloud(cloud);fil.setLeafSize(atof(argv[2]), atof(argv[2]), atof(argv[2]));fil.filter(*cloud_filter);int filterPointSize = cloud_filter -> points.size();

下采样的过程就是把点云放到规定大小的单位体素盒中去，如果一个局部的点群都落在了一个单位体素盒子里，那么这个盒子中所有的点都会用一个重心点来表示。通过这个过程，点云数据会大大被过滤，但是模型的体态还保持着完整性。

如果不用PCL库也可以实现，下面的核心带面可供参考：

 int ijk0 = static_cast<int> (ceil(vec_Point[i].point_X * inverse_voxel_size.index_X) - (bound_min.point_X * inverse_voxel_size.index_X));int ijk1 = static_cast<int> (floor(vec_Point[i].point_Y * inverse_voxel_size.index_Y) - (bound_min.point_Y * inverse_voxel_size.index_Y));int ijk2 = static_cast<int> (floor(vec_Point[i].point_Z * inverse_voxel_size.index_Z) - (bound_min.point_Z * inverse_voxel_size.index_Z));

如上求出每个点对应的x，y，z后，就可以对每个单位体素求其中点的重心点，并且把重心点插入到每个单位体素中。

【可视化渲染】

 pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer("Voxelization"));viewer -> setBackgroundColor(0,0,0);//Add AABB boxviewer -> addCube (min_point_AABB.x, max_point_AABB.x, min_point_AABB.y, max_point_AABB.y, min_point_AABB.z, max_point_AABB.z,1.0, 1.0, 1.0, "AABB");viewer -> setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, "AABB");

两种体素化渲染方式：

Solid cube

 for(int i=0; i<filterPointSize; i++){double x = cloud_filter->points[i].x;double y = cloud_filter->points[i].y;double z = cloud_filter->points[i].z;Eigen::Vector3f center(floor(x / voxelSize)*voxelSize + voxelSize/2, floor(y / voxelSize)*voxelSize + voxelSize/2, floor(z / voxelSize)*voxelSize + voxelSize/2);Eigen::Quaternionf rotation(1,0,0,0);string cube = "AABB"+to_string(i);viewer -> addCube(center,rotation,voxelSize, voxelSize, voxelSize, cube);}

Wireframe cube

 //rendering by z axispcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> v_color(cloud,"z"); viewer -> addPointCloud<pcl::PointXYZ>(cloud, v_color, "vertices color");for(int i=0; i<filterPointSize; i++){double x = cloud_filter->points[i].x;double y = cloud_filter->points[i].y;double z = cloud_filter->points[i].z;Eigen::Vector3f center(floor(x / voxelSize)*voxelSize + voxelSize/2, floor(y / voxelSize)*voxelSize + voxelSize/2, floor(z / voxelSize)*voxelSize + voxelSize/2);Eigen::Quaternionf rotation(1,0,0,0);string cube = "AABB"+to_string(i);viewer -> addCube(center,rotation,voxelSize, voxelSize, voxelSize, cube);//shape renderingviewer -> setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, cube);}

【示例图】

利用PCL点云下采样实现数据体素化相关推荐

电视台成阿里云下一个大数据重塑目标
本文讲的是电视台成阿里云下一个大数据重塑目标,[IT168专稿]继空调之后,电视台成为阿里云计算的下一个大数据重塑目标.3月20日下午,阿里云宣布联手新奥特.华通云数据,打造中国最大的全媒体云计算平台 ...
python使用imbalanced-learn的ClusterCentroids方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的ClusterCentroids方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜 ...
python使用imbalanced-learn的AllKNN方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的AllKNN方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜(class ske ...
python使用imbalanced-learn的NearMiss方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的NearMiss方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜(class s ...
python使用imbalanced-learn的TomekLinks方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的TomekLinks方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜(class ...
python使用imbalanced-learn的OneSidedSelection方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的OneSidedSelection方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏 ...
python使用imbalanced-learn的SMOTEENN方法同时进行上采样和下采样处理数据不平衡问题
python使用imbalanced-learn的SMOTEENN方法同时进行上采样和下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜(c ...
python使用imbalanced-learn的SMOTETomek方法同时进行上采样和下采样处理数据不平衡问题
python使用imbalanced-learn的SMOTETomek方法同时进行上采样和下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalance),也叫数据偏斜 ...
python使用imbalanced-learn的NeighbourhoodCleaningRule方法进行下采样处理数据不平衡问题
python使用imbalanced-learn的NeighbourhoodCleaningRule方法进行下采样处理数据不平衡问题机器学习中常常会遇到数据的类别不平衡(class imbalanc ...

利用PCL点云下采样实现数据体素化

利用PCL点云下采样实现数据体素化

PCL

体素化Voxelization

算法

利用PCL点云下采样实现数据体素化相关推荐

最新文章

热门文章