PCL 低層次視覺點雲濾波（基於點雲頻率）

今天在閱讀分割有關的文獻時，驚喜的發現，點雲和影象一樣，有可能也存在頻率的概念。但這個概念並未在文獻中出現也未被使用，謹在本博文中濫用一下「高頻」一詞。點雲表達的是三維空間中的一種資訊，這種資訊本身並沒有一一對應的函式值。故點雲本身並沒有在講訴一種變化的訊號。但在抽象意義上，點雲必然是在表達某種訊號的，雖然沒有明確的時間關係，但應該會存在某種空間關係（例如lidar點雲）。我們可以人為的指定點雲空間中的乙個點（例如scan的重心或lidar的「源」），基於此點來討論點雲在各個方向上所謂的頻率。

在傳統的訊號處理中，高頻訊號一般指訊號變化快，低頻訊號一般指訊號變化緩慢。在影象處理中，高低頻的概念被引申至不同方向上影象灰度的變化，傅利葉變換可以用於提取影象的週期成分濾除布紋雜訊。在點雲處理中，定義：點雲法線向量差為點雲所表達的訊號。換言之，如果某處點雲曲率大，則點雲表達的是乙個變化的訊號。如果點雲曲率小，則其表達的是乙個不變的訊號。這和我們的直觀感受也是相近的，地面曲率小，它表達的資訊量也小；人的五官部分曲率大，其表達了整個scan中最大的資訊量。

雖然點雲頻率之前並沒有被討論，但使用頻率資訊的思想已經被廣泛的應用在了各個方面，最著名的莫過於don演算法。don演算法被作者歸類於點雲分割演算法中，但我認為並不準確，本質上don只是一種前處理，應該算是一種比較先進的點雲濾波演算法。分割本質上還是由歐式分割演算法完成的。don 是 difference of normal 的簡寫。演算法的目的是在去除點雲低頻濾波，低頻資訊（例如建築物牆面，地面）往往會對分割產生干擾，高頻資訊（例如建築物窗框，路面障礙錐）往往尺度上很小，直接採用基於臨近資訊的濾波器會將此類資訊合併至牆面或路面中。所以don演算法利用了多尺度空間的思想，演算法如下：

在小尺度上計算點雲法線1

在大尺度上計算點雲法線2

法線1-法線2

濾去3中值較小的點

歐式分割

顯然，在小尺度上是可以對高頻資訊進行檢測的，此演算法可以很好的小尺度高頻資訊。其在大規模點雲（如lidar點雲）中優勢尤其明顯。

演算法執行過程可用圖表示為：

演算法實現過程可表示為：

//
create a search tree, use kdtreee for non-organized data.
pcl::search::search::ptr tree;
if (cloud->isorganized ())
else
//set the input pointcloud for the search tree
tree->setinputcloud (cloud);
//生成法線估計器（omp是平行計算，忽略）
pcl::normalestimationompne;
ne.setinputcloud (cloud);
ne.setsearchmethod (tree);
//設定法線方向（要做差，同向很重要）
ne.setviewpoint (std::numeric_limits::max (), std::numeric_limits::max (), std::numeric_limits::max ());
//計算小尺度法線
pcl::pointcloud::ptr normals_large_scale (new pcl::pointcloud);
ne.setradiussearch (scale2);
ne.compute (*normals_large_scale);
//計算大尺度法線
pcl::pointcloud::ptr normals_large_scale (new pcl::pointcloud);
ne.setradiussearch (scale2);
ne.compute (*normals_large_scale);
//生成don分割器
pcl::differenceofnormalsestimationdon;
don.setinputcloud (cloud);
don.setnormalscalelarge (normals_large_scale);
don.setnormalscalesmall (normals_small_scale);
//計算法線差
pointcloud::ptr doncloud (new pcl::pointcloud);
copypointcloud
(*cloud, *doncloud);
don.computefeature (*doncloud);
//生成濾波條件：把法線差和閾值比
pcl::conditionor::ptr range_cond (
new pcl::conditionor()
);range_cond->addcomparison (pcl::fieldcomparison::constptr (
new pcl::fieldcomparison("
curvature
", pcl::comparisonops::gt, threshold))
);//
生成條件濾波器,輸入濾波條件和點雲
pcl::conditionalremovalcondrem (range_cond);
condrem.setinputcloud (doncloud);
//匯出濾波結果
pcl::pointcloud::ptr doncloud_filtered (new pcl::pointcloud);
condrem.filter (*doncloud_filtered);
//歐式聚類~~~（略）

PCL 低層次視覺點雲濾波（基於點雲頻率）

PCL 低層次視覺點雲濾波（初步處理）

PCL 低層次視覺點雲分割（RanSaC）

PCL 低層次視覺關鍵點檢測（Harris）

PCL 低層次視覺 點雲濾波（基於點雲頻率）

PCL 低層次視覺 點雲濾波（初步處理）

PCL 低層次視覺 點雲分割（RanSaC）

PCL 低層次視覺 關鍵點檢測（Harris）

相關推薦

PCL 低層次視覺點雲濾波（基於點雲頻率）

PCL 低層次視覺點雲濾波（初步處理）

PCL 低層次視覺點雲分割（RanSaC）

PCL 低層次視覺關鍵點檢測（Harris）