点云的网格化【Win10+VS2015】

本文为参考【计算机视觉life】公众号的系列文章：从零开始一起学习SLAM | 点云到网格的进化，实现的点云网格化过程。

网格化流程

下采样+统计滤波
通过下采样减少点云数据容量、提高处理速度；使用统计分析技术，去除点云数据集中的噪声、离群点；

滤波前后对比

重采样，平滑处理
通过重采样对物体表面进行平滑处理和漏洞修复

点云平滑前后

计算点云表面法线
计算点云法线，并将点云位姿、颜色、法线信息合并到一起，构建有向点云。

点云表面法线

网格化
使用贪心投影三角化算法对有向点云进行三角化，实现稀疏点云的网格化。

点云网格化示例

代码

/***************************** 给定稠密的点云，进行如下操作：*        下采样和滤波、重采样平滑、法线计算，贪心投影网格化。
****************************/
#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>
#include <pcl/surface/poisson.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 << "could not load the file..." << endl;}std::cout << "Orginal points number: " << cloud->points.size() << std::endl;// 1.下采样，同时保持点云形状特征pcl::VoxelGrid<PointT> downSampled;               // 下采样对象downSampled.setInputCloud(cloud);downSampled.setLeafSize(0.01f, 0.01f, 0.01f);  // 栅格叶的尺寸downSampled.filter(*cloud_downSampled);// 2.统计滤波pcl::StatisticalOutlierRemoval<PointT> sor;      // 滤波对象sor.setInputCloud(cloud_downSampled);sor.setMeanK(50);sor.setStddevMulThresh(1.0);                   // 设置判定为离群点的阈值sor.filter(*cloud_filtered);// 3.对点云重采样,进行平滑pcl::search::KdTree<PointT>::Ptr treeSampling(new pcl::search::KdTree<PointT>); // 创建用于最近邻搜索的KD-Treepcl::MovingLeastSquares<PointT, PointT> mls;    // 定义最小二乘实现的对象mlsmls.setComputeNormals(false);                  // 设置在最小二乘计算中是否需要存储计算的法线mls.setInputCloud(cloud_filtered);              // 设置待处理点云mls.setPolynomialOrder(2);                        // 拟合2阶多项式拟合mls.setPolynomialFit(false);                    // 设置为false可以 加速 smoothmls.setSearchMethod(treeSampling);               // 设置KD-Tree作为搜索方法mls.setSearchRadius(0.05);                        // 单位m.设置用于拟合的K近邻半径mls.process(*cloud_smoothed);                    // 输出// 4.法线估计pcl::NormalEstimation<PointT, pcl::Normal> normalEstimation;                    // 创建法线估计的对象normalEstimation.setInputCloud(cloud_smoothed);                                 // 输入点云pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);         // 创建用于最近邻搜索的KD-TreenormalEstimation.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);    // 定义输出的点云法线// K近邻确定方法，使用k个最近点，或者确定一个以r为半径的圆内的点集来确定都可以，两者选1即可normalEstimation.setKSearch(10);                    // 使用当前点周围最近的10个点                                                       //normalEstimation.setRadiusSearch(0.03);           // 对于每一个点都用半径为3cm的近邻搜索方式normalEstimation.compute(*normals);                 // 计算法线// 5.将点云位姿、颜色、法线信息连接到一起pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);pcl::concatenateFields(*cloud_smoothed, *normals, *cloud_with_normals);// 6.贪心投影三角化//定义搜索树对象pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);tree2->setInputCloud(cloud_with_normals);// 三角化pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;   // 定义三角化对象pcl::PolygonMesh triangles;                                    // 存储最终三角化的网络模型// 设置三角化参数gp3.setSearchRadius(0.1);              // 设置搜索时的半径，也就是KNN的球半径gp3.setMu(2.5);                            // 设置样本点搜索其近邻点的最远距离为2.5倍（典型值2.5-3），这样使得算法自适应点云密度的变化gp3.setMaximumNearestNeighbors(100);    // 设置样本点最多可搜索的邻域个数，典型值是50-100gp3.setMinimumAngle(M_PI / 18);         // 设置三角化后得到的三角形内角的最小的角度为10°gp3.setMaximumAngle(2 * M_PI / 3);       // 设置三角化后得到的三角形内角的最大角度为120°gp3.setMaximumSurfaceAngle(M_PI / 4);    // 设置某点法线方向偏离样本点法线的最大角度45°，如果超过，连接时不考虑该点gp3.setNormalConsistency(false);      // 设置该参数为true保证法线朝向一致，设置为false的话不会进行法线一致性检查gp3.setInputCloud(cloud_with_normals);  // 设置输入点云为有向点云gp3.setSearchMethod(tree2);             // 设置搜索方式gp3.reconstruct(triangles);                // 重建提取三角化// 7.显示网格化结果boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);       // 设置背景 viewer->addPolygonMesh(triangles, "mesh");  // 网格化点云添加到视窗while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}return 1;
}

结果

备注：
所需点云源文件【公众号提供】：h？ttps://pan？.baidu.com/s/1avSGdi4IG3ry3wNCI_jDLQ 提？取？码：cxjy（删除"?"即可访问）

点云的网格化【Win10+VS2015】相关推荐

【PCL点云库】Win10+VS2015+PCL1.8.1配置
最近需要用到点云库,所以需要配置PCL,看了网上写的一些教程,写的都还可以,但是都有一些问题,所以本人在参考其他博主教程的基础上加以改进尽量将配置过程讲的仔细一点,本人也是从小白过来的,所以理解万岁, ...
服务器搭建虚拟win云服务,云服务器创建win10虚拟机
云服务器创建win10虚拟机内容精选换一换弹性云服务器(Elastic Cloud Server,以下简称ECS)是由CPU.内存.镜像.云硬盘组成的一种可随时获取.弹性可扩展的计算服务器,同时 ...
Win10+VS2015+EF6.0+MySQL5.6+MVC环境部署和排错
Win10+VS2015+EF6.0+MySQL5.6+MVC环境部署和排错本来已经好几个月不弄专业了,今天一哥们问我问题的时候重新捣鼓了一下,就做个文档供后来人参考吧~ 1.首先安装MySQL 5 ...
PCL【Win10+VS2015+PCL_1.8.0环境配置】
PCL[Win10+VS2015+PCL_1.8.0环境配置] 一.安装 1.下载地址 PCL下载地址1 2.安装过程 (1)安装下载下的PCL 1.8.0 All-in-one Installer ...
WIN10+VS2015部署PanddleOCR
一.环境 WIN10 VS2015 (1)下载panddleOCR项目和模型下载地址:https://github.com/PaddlePaddle/PaddleOCR 我下载的是2.0版本的该页 ...
opencv2.4.13在win10+VS2015下的配置过程
opencv2.4.13在win10+VS2015下的配置过程参考https://blog.csdn.net/shanghairuoxiao/article/details/69391229一个是本 ...
服务器装win10系统文档,云服务器安装win10
云服务器安装win10 内容精选换一换使用弹性云服务器或者外部镜像文件创建私有镜像时,必须确保操作系统中已安装UVP VMTools,使新发放的云服务器支持KVM虚拟化,同时也可以提升云服务器的 ...
win10+vs2015+pcl1.8.1安装配置
win10+vs2015+pcl1.8.1安装配置过程: 1.下载pcl1.8.1,网址:http://unanancyowen.com/en/pcl181 界面如下图, 选择下载下面两个即可. 2. ...
Seetaface 03 Seetaface python版 win10 vs2015编译
01 环境 win10x64 vs2015 update3 cmake3.7.2 git 源码:https://github.com/5455945/SeetaFaceEngine.git 如果要测试 ...

点云的网格化【Win10+VS2015】

网格化流程

代码

结果

点云的网格化【Win10+VS2015】相关推荐

最新文章

热门文章