PCL点云曲面重建（1）

2022-10-20 10:25:33

在测量较小的数据时会产生一些误差，这些误差所造成的不规则数据如果直接拿来曲面重建的话，会使得重建的曲面不光滑或者有漏洞，可以采用对数据重采样来解决这样问题，通过对周围的数据点进行高阶多项式插值来重建表面缺少的部分，

（1）用最小二乘法对点云进行平滑处理

新建文件resampling.cpp

#include <pcl/point_types.h>

#include <pcl/io/pcd_io.h>

#include <pcl/kdtree/kdtree_flann.h>  //kd-tree搜索对象的类定义的头文件

#include <pcl/surface/mls.h>        //最小二乘法平滑处理类定义头文件

int

main (int argc, char** argv)

{

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ> ());

  pcl::io::loadPCDFile ("bun0.pcd", *cloud);

  // 创建 KD-Tree

  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);

  // Output has the PointNormal type in order to store the normals calculated by MLS

  pcl::PointCloud<pcl::PointNormal> mls_points;

  // 定义最小二乘实现的对象mls

  pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;

  mls.setComputeNormals (true);  //设置在最小二乘计算中需要进行法线估计

  // Set parameters

  mls.setInputCloud (cloud);

  mls.setPolynomialFit (true);

  mls.setSearchMethod (tree);

  mls.setSearchRadius (0.03);

  // Reconstruct

  mls.process (mls_points);

  // Save output

  pcl::io::savePCDFile ("bun0-mls.pcd", mls_points);

}

结果对比

(2)在平面模型上提取凸（凹）多边形

本例子先从点云中提取平面模型，再通过该估计的平面模型系数从滤波后的点云投影一组点集形成点云，最后为投影后的点云计算其对应的二维凸多边形

#include <pcl/ModelCoefficients.h>           //采样一致性模型相关类头文件

#include <pcl/io/pcd_io.h>

#include <pcl/point_types.h>

#include <pcl/sample_consensus/method_types.h>

#include <pcl/sample_consensus/model_types.h>

#include <pcl/filters/passthrough.h>

#include <pcl/filters/project_inliers.h>          //滤波相关类头文件

#include <pcl/segmentation/sac_segmentation.h>   //基于采样一致性分割类定义的头文件

#include <pcl/surface/concave_hull.h>                 //创建凹多边形类定义头文件

int

main (int argc, char** argv)

{

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>),

                                      cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>),

                                      cloud_projected (new pcl::PointCloud<pcl::PointXYZ>);

  pcl::PCDReader reader;

  reader.read ("table_scene_mug_stereo_textured.pcd", *cloud);

  // 建立过滤器消除杂散的NaN

  pcl::PassThrough<pcl::PointXYZ> pass;

  pass.setInputCloud (cloud);                  //设置输入点云

  pass.setFilterFieldName ("z");             //设置分割字段为z坐标

  pass.setFilterLimits (, 1.1);             //设置分割阀值为(0, 1.1)

  pass.filter (*cloud_filtered);

  std::cerr << "PointCloud after filtering has: "

            << cloud_filtered->points.size () << " data points." << std::endl;

  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);

  pcl::PointIndices::Ptr inliers (new pcl::PointIndices);   //inliers存储分割后的点云

  // 创建分割对象

  pcl::SACSegmentation<pcl::PointXYZ> seg;

  // 设置优化系数，该参数为可选参数

  seg.setOptimizeCoefficients (true);

  // Mandatory

  seg.setModelType (pcl::SACMODEL_PLANE);

  seg.setMethodType (pcl::SAC_RANSAC);

  seg.setDistanceThreshold (0.01);

  seg.setInputCloud (cloud_filtered);

  seg.segment (*inliers, *coefficients);

  std::cerr << "PointCloud after segmentation has: "

            << inliers->indices.size () << " inliers." << std::endl;

  // Project the model inliers

  pcl::ProjectInliers<pcl::PointXYZ> proj;//点云投影滤波模型

  proj.setModelType (pcl::SACMODEL_PLANE); //设置投影模型

  proj.setIndices (inliers);

  proj.setInputCloud (cloud_filtered);

  proj.setModelCoefficients (coefficients);      //将估计得到的平面coefficients参数设置为投影平面模型系数

  proj.filter (*cloud_projected);            //得到投影后的点云

  std::cerr << "PointCloud after projection has: "

            << cloud_projected->points.size () << " data points." << std::endl;

  // 存储提取多边形上的点云

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_hull (new pcl::PointCloud<pcl::PointXYZ>);

  pcl::ConcaveHull<pcl::PointXYZ> chull;        //创建多边形提取对象

  chull.setInputCloud (cloud_projected);       //设置输入点云为提取后点云

  chull.setAlpha (0.1);

  chull.reconstruct (*cloud_hull);   //创建提取创建凹多边形

  std::cerr << "Concave hull has: " << cloud_hull->points.size ()

            << " data points." << std::endl;

  pcl::PCDWriter writer;

  writer.write ("table_scene_mug_stereo_textured_hull.pcd", *cloud_hull, false);

  return ();

}

实验结果

（3）无序点云的快速三角化

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：

（1）先将有向点云投影到某一局部二维坐标平面内

（2）在坐标平面内进行平面内的三角化

（3）根据平面内三位点的拓扑连接关系获得一个三角网格曲面模型.

贪婪投影三角化算法原理：

是处理一系列可以使网格“生长扩大”的点（边缘点）延伸这些点直到所有符合几何正确性和拓扑正确性的点都被连上，该算法可以用来处理来自一个或者多个扫描仪扫描到得到并且有多个连接处的散乱点云但是算法也是有很大的局限性，它更适用于采样点云来自表面连续光滑的曲面且点云的密度变化比较均匀的情况

#include <pcl/point_types.h>

#include <pcl/io/pcd_io.h>

#include <pcl/kdtree/kdtree_flann.h>

#include <pcl/features/normal_3d.h>

#include <pcl/surface/gp3.h>      //贪婪投影三角化算法

int

main (int argc, char** argv)

{

  // 将一个XYZ点类型的PCD文件打开并存储到对象中

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  pcl::PCLPointCloud2 cloud_blob;

  pcl::io::loadPCDFile ("bun0.pcd", cloud_blob);

  pcl::fromPCLPointCloud2 (cloud_blob, *cloud);

  //* the data should be available in cloud

  // Normal estimation*

  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;      //法线估计对象

  pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal>);   //存储估计的法线

  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);  //定义kd树指针

  tree->setInputCloud (cloud);   ///用cloud构建tree对象

  n.setInputCloud (cloud);

  n.setSearchMethod (tree);

  n.setKSearch ();

  n.compute (*normals);       ////估计法线存储到其中

  //* normals should not contain the point normals + surface curvatures

  // Concatenate the XYZ and normal fields*

  pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals (new pcl::PointCloud<pcl::PointNormal>);

  pcl::concatenateFields (*cloud, *normals, *cloud_with_normals);    //连接字段

  //* cloud_with_normals = cloud + normals

  //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);   //点云构建搜索树

  // Initialize objects

  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

  // Set the maximum distance between connected points (maximum edge length)

  gp3.setSearchRadius (0.025);  //设置连接点之间的最大距离，（即是三角形最大边长）

  // 设置各参数值

  gp3.setMu (2.5);  //设置被样本点搜索其近邻点的最远距离为2.5，为了使用点云密度的变化

  gp3.setMaximumNearestNeighbors ();    //设置样本点可搜索的邻域个数

  gp3.setMaximumSurfaceAngle(M_PI/); // 设置某点法线方向偏离样本点法线的最大角度45

  gp3.setMinimumAngle(M_PI/); // 设置三角化后得到的三角形内角的最小的角度为10

  gp3.setMaximumAngle(*M_PI/); // 设置三角化后得到的三角形内角的最大角度为120

  gp3.setNormalConsistency(false);  //设置该参数保证法线朝向一致

  // Get result

  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

  // 附加顶点信息

  std::vector<int> parts = gp3.getPartIDs();

  std::vector<int> states = gp3.getPointStates();

  // Finish

  return ();

}

首先看一下原来的PCD可视化文件

对其进行三角化可视化的结果是

效果还是很明显的阿

微信公众号号可扫描二维码一起共同学习交流

码农公寓

相关文章