PCL点云数据处理-滤波基础（C++）

OK，本篇作为PCL学习笔记，希望同道之人互相交流、讨论！有误之处希望指出，欢迎留言

PCL库中包含几个重要的模块库：FIilter（过滤器）、Features（特征）、Keypoints（关键点）、Registration（配准）、Kd-tree、Octree(八叉树）、Segementation（分割）、Sample consensus（样本一致性）、Surface（表面）、Range image（深度图）、I/O（输入输出）、Visualization（可视化）、Common（公共）、Search（搜索）

Filter模块库：去除点云中不需要的点和点云的投影。

下面用不同方法对点云进行滤波处理：

Passthrough Filter（直通滤波）：
VoxelGrid Filter(体素化网格滤波)：
StatisticalOutlierRemoval（统计学的（稀疏）离群点去除)：
Projecting points using a parameter model（投影滤波）：
Extracting indices from a PointCloud（点云索引提取点云子集）：
RadiusOutlierRemoval或ConditionalRemoval滤波器：

1.Passthrough Filter（直通滤波）：限定某个字段（理解为点云的变量参数）的范围来达到去除异常点效果关键：

步骤：输入点云-创建滤波器对象-设置字段范围-保存滤波后点云

头文件：#include<pcl/filters/passthrough.h>代码：pcl::PassThrough<pcl::PointXYZ>pass;//创建滤波器对象pass.setInputCloud(cloud);          //调用成员函数输入点云，cloud为已创建的点云对象pass.setFilterFieldName("z");       //调用设置字符串函数，z为设定字段对应字符串pass.setFilterLimits(0,2.0);        //调用范围设置函数，z的范围在0-2pass.filter(*cloud_filtered);      //执行直通过滤，并将执行结果被保存在cloud_filtered

完整代码（直通滤波）：

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>int main(int argc, char** argv)
{srand(time(0));//创建点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);//填入点云数据cloud->width = 5;cloud->height = 1;cloud->points.resize(cloud->width * cloud->height);for (size_t i = 0; i < cloud->points.size(); ++i){cloud->points[i].x = rand() / (RAND_MAX + 1.0f) - 0.5;cloud->points[i].y = rand() / (RAND_MAX + 1.0f) - 0.5;cloud->points[i].z = rand() / (RAND_MAX + 1.0f) - 0.5;}std::cerr << "Cloud before filtering: " << std::endl;for (const auto& point : *cloud)std::cerr << "    " << point.x << " "<< point.y << " "<< point.z << std::endl;//直通滤波----pcl::PassThrough<pcl::PointXYZ> pass;pass.setInputCloud(cloud);pass.setFilterFieldName("z");pass.setFilterLimits(0,1.0);pass.filter(*cloud_filtered);//滤波结束，结果保存在cloud_filteredstd::cerr << "Cloud after filtering: " << std::endl;for (const auto& point : *cloud_filtered)std::cerr << "    " << point.x << " "<< point.y << " "<< point.z << std::endl;return (0);
}

执行结果

Cloud before filtering:-0.0164185 -0.177155 0.0244751-0.194244 0.169983 -0.1470950.277649 -0.317963 -0.364410.166901 0.220856 0.144196-0.467896 0.15387 -0.345825
Cloud after filtering:-0.0164185 -0.177155 0.02447510.166901 0.220856 0.144196

2.VoxelGrid Filter(体素化网格滤波)：创建一个3D体素网格，每个体素中所有点将由质心来代替，将体素想象为立方体。

步骤：输入点云-创建滤波器对象-设置立方体大小-保存滤波后点云-可视化

头文件：#include <pcl/filters/voxel_grid.h>代码：#include <pcl/io/pcd_io.h>
#include <pcl/io/io.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/visualization/cloud_viewer.h>
#include <boost/thread/thread.hpp>
#include <pcl/point_cloud.h>
#include<iostream>
#include <pcl/features/normal_3d.h>
using namespace std;
typedef pcl::PointXYZ PointT;int main(int argc, char** argv)
{pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);           //待滤波点云///读入点云数据cout << "->正在读入点云..." << endl;/*pcl::io::loadPCDFile("rabbit.pcd", *cloud);*/pcl::PCDReader reader;reader.read("E:\\PCLNotes\\practice\\rabbit.pcd", *cloud);cout << "\t\t<读入点云信息>\n" << *cloud << endl;pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);  //滤波后点云///体素滤波器点云下采样cout << "->正在体素下采样..." << endl;pcl::VoxelGrid<pcl::PointXYZ> vg;     //创建滤波器对象vg.setInputCloud(cloud);               //设置待滤波点云vg.setLeafSize(1.15f, 1.15f, 1.15f);   //设置体素大小vg.filter(*cloud_filtered);         //执行滤波，保存滤波结果于cloud_filtered///保存下采样点云cout << "->正在保存下采样点云..." << endl;pcl::PCDWriter writer;writer.write("sub.pcd", *cloud_filtered, true);cout << "\t\t<保存点云信息>\n" << *cloud_filtered << endl;/*return 0;}*///================================= 滤波前后对比可视化 ================================= /*pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("滤波前后对比"));*/boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->initCameraParameters();//初始化相机参数/*-----视口1-----*/int v1(0);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); //设置背景颜色，0-1，默认黑色（0，0，0）viewer->addText("befor_filtered", 10, 10, "v1_text", v1);viewer->addPointCloud<pcl::PointXYZ>(cloud, "befor_filtered_cloud", v1);/*-----视口2-----*/int v2(0);viewer->createViewPort(0.5, 0.0, 1.0, 1.0, v2);viewer->setBackgroundColor(0.3, 0.3, 0.3, v2);viewer->addText("after_filtered", 10, 10, "v2_text", v2);viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "after_filtered_cloud", v2);/*-----设置相关属性-----*/viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "befor_filtered_cloud", v1);viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "befor_filtered_cloud", v1);viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "after_filtered_cloud", v2);viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "after_filtered_cloud", v2);while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}return 0;
}

执行结果：

问题：

解决方法：https://blog.csdn.net/huhu7777/article/details/125358022

PCL点云数据处理-滤波基础（C++）相关推荐

PCL点云数据滤波降噪
图像处理]PCL点云数据的滤波降噪的方法这个带公式: https://blog.csdn.net/qq_30815237/article/details/86294496 为什么进行点云滤波处理: ...
PCL：StatisticalOutlierRemoval 统计滤波
文章目录 1 原理 2 代码实现 3 结果展示 1 原理对每一点的邻域进行统计分析,基于点到所有邻近点的距离分布特征,过滤掉一些不满足要求的离群点.该算法对整个输入进行两次迭代: 在第一次迭代中, ...
稠密的无人机激光雷达点云数据处理与分析方法与工具科普系列（六）
** 06 稠密点云之"喜" 内容摘要:目前,无人机LiDAR硬件系统已经达到了操作简便.价格亲民.数据质量好.平民化的可持续发展阶段,但是无人机LiDAR点云数据处理仍然面临人才 ...
python数据处理高斯滤波_十大点云数据处理技术梳理
研究点云数据时,感觉无从下手? 看看这十大点云数据处理技术,换个思路学点云. 点云 · 定义简言之,在获取物体表面每个采样点的空间坐标后,得到的是一个点的集合,称之为"点云".包 ...
爆肝5万字❤️Open3D 点云数据处理基础（Python版）
Open3D 点云数据处理基础(Python版) 文章目录 1 概述 2 安装 2.1 PyCharm 与 Python 安装 2.3 Anaconda 安装 2.4 Open3D 0.13.0 安装 ...
PCL入门系列 —— StatisticalOutlierRemoval 点云统计滤波
PCL入门系列 -- StatisticalOutlierRemoval 点云统计滤波前言程序说明输出结果代码示例总结前言随着工业自动化.智能化的不断推进,机器视觉(2D/3D)在工业领 ...
点云数据滤波处理(PCL实现）
引: 点云数据滤波处理(PCL实现) - 简书 2020.01.03 14:29:02字数 942阅读 5,412 点云数据滤波处理(PCL实现) 1.滤波器介绍点云目标识别的流程:数据 ...
PCL点云处理之体素滤波（八十七）
PCL点云处理之体素滤波(八十七) 前言一.概述二.算法实现 1.代码 2.代码解读结果前言数据的海量性始终是点云处理时需要面临的一个大问题,严重的时间消耗和内存占用影响了点云处理的发展,当 ...
PCL点云处理之凸包滤波（十三）
PCL点云处理之凸包滤波功能结果展示代码示例功能第一步:待提取凸包的点云1,利用凸包算法提取凸包点2 第二步:利用凸包点2从原始点云3中提取到凸包内部的点云4 结果展示待提取凸包的点云1 ...
PCL点云库学习笔记点云的欧式聚类
欧式聚类详解(点云数据处理) 欧式聚类是一种基于欧氏距离度量的聚类算法.基于KD-Tree的近邻查询算法是加速欧式聚类算法的重要预处理方法. KD-Tree最近邻搜索 Kd-树是K-dimension ...

PCL点云数据处理-滤波基础（C++）

PCL点云数据处理-滤波基础（C++）相关推荐

最新文章

热门文章