PCL 從點雲到網格（二）點雲預處理

前一篇得到的點雲還不能拿來直接用，因為乙個是太多了，另乙個是還存在一大堆的雜訊。所以這一篇我會記錄一下我使用到的一些濾波操作。

主要的的參考資料都在這裡了：

但是我利用得到的點雲做icp得到的融合的矩陣效果不理想，有可能是我相機移動的幅度較大，也可能是我計算icp的點太少（我是先利用降取樣，再做icp的，效果不太理想，得到的t矩陣應用之後效果也不是很好，但是如果直接做icp實在是太慢了）

點雲中密度不規則，存在離群點，資料太多，雜訊等因素導致點雲需要被濾波。沒有濾波的點雲不能用來做mesh。

pcl1.8.1 的濾波函式都在這：

我對得到的點雲做的預處理：

#include //用於體素網格化的濾波類標頭檔案 #include //濾波相關標頭檔案 #include #include //濾波相關類標頭檔案 #include //統計方法去除離群點 #include //統計方法去除離群點 #include //對點雲的預處理，就是點雲下取樣，去離群點濾波， void preporcessingofpointcloud (pcl::pointcloud ::ptr &cloud_in, pcl::pointcloud ::ptr &cloud_out)

接著來逐個看看每個函式。

首先進行下取樣：

我用到的下取樣函式比較簡單，pcl::voxelgrid

//點雲下取樣 void downsample (pcl::pointcloud ::ptr &cloud_in, pcl::pointcloud ::ptr &cloud_out)

接下來是去離群點：

去除一些離群雜訊。（資料中說：因為離群點會使區域性點雲特徵(如表面法線或曲率變化)的估計複雜化，從而導致錯誤的值，從而可能導致點雲配準失敗。離群點還會累積，誤差會越來越大）

pcl::statisticaloutlierremoval 和 pcl::radiusoutlierremoval

利用統計學和利用幾何來去除離群點。

pcl::statisticaloutlierremoval 利用統計學，對每個點的鄰域進行統計分析，剔除不符合一定標準的鄰域點。（具體來說，對於每個點，我們計算它到所有相鄰點的平均距離。假設得到的分布是高斯分布，我們可以計算出乙個均值 μ 和乙個標準差 σ，那麼這個鄰域點集中所有點與其鄰域距離大於μ + std_mul * σ 區間之外的點都可以被視為離群點，並可從點雲資料中去除。std_mul 是標準差倍數的乙個閾值，可以自己指定。）

pcl::radiusoutlierremoval 設定半徑後，每個點周圍再該半徑的球內至少要有足夠多的鄰居，否則他就是個外點。（公尺為單位）

//去除離群點 void outlierfilter (pcl::pointcloud ::ptr & cloud_in, pcl::pointcloud ::ptr & cloud_out)

統計這個比較慢，我最後還是用了根據幾何距離來找離群點的，可能沒有統計上那麼準，但是快。

不夠由於還有一些工作，想融合兩幀的點雲。但是由於變換矩陣算出來實在是有問題，因此效果並不好。不知道是**出了問題。先把方法記下來，之後再改改。如果有dalao能夠幫我指出我的問題我真的非常感謝~

由於2幀點雲不相同，因此考慮利用 trimmedicp 計算點雲之間的變換矩陣。這個函式返回變換矩陣，並且利用下面這個函式做變換（引數為示意引數 t為變換矩陣）

pcl::
transformpointcloud
(ptr cloud_from,ptr cloud_from，eigen::matrix4f t)

變換矩陣求解（沒有讀過這個**，具體的引數並不是很了解）：

eigen::matrix4f usetrimmedicpwithtwopointclouds (pcl::pointcloud ::ptr &cloud_1, pcl::pointcloud ::ptr &cloud_2)

align這個函式執行之後會填充t，得到變換矩陣（時間巨長）。

接著計算兩個點雲的重疊區域，這後面就是自己寫的了，也不知道對不對：從correspondenceestimation得到重疊的區域，再利用兩個點雲生成新點雲，重疊區域只生成一次（以第二個點雲為主，重複了就用第二個點雲的資料）

//對兩個點雲融合？correspondenceestimation 計算點雲之間重疊區域
pcl::pointcloud
::ptr fusetwopointcloud
(pcl::pointcloud
::ptr &cloud_1, pcl::pointcloud
::ptr &cloud_2)
pcl::pointcloud
::ptr totalpointcloud
(new pcl::pointcloud()
);totalpointcloud-
>
resize
(cloud_1-
>
size()
+ cloud_2-
>
size()
- all_correspondences.
size()
);int* mask_1 =
newint
[cloud_1-
>
size()
];//2的點雲是新的點雲，所以重疊的部分顯示二的，這個就存的是相應的1中的index
for(
int i =
0; i < cloud_1-
>
size()
; i++
)for
(int i =
0; i < all_correspondences.
size()
; i++
)int cloud2cnt = cloud_2-
>
size()
;int idxintotalcnt =0;
//在totalcloud中的index
for(
int i =
0; i < cloud2cnt + cloud_1-
>
size()
; i++
)else
else}}
std::cout <<
"fuse time(s): "
<< time.
gettimeseconds()
<< std::endl;
std::cout <<
"finish fuse , total size:"
<< totalpointcloud-
>
size()
<< std::endl;
totalpointcloud-
>is_dense =
true
;return totalpointcloud;
}

is_dense 變數是判斷點雲中是否有nan這種不合理的點的。不過有時候這玩意不起作用，有時候它是true，但是還是有nan點。如果它不起做用，就用這個自定義函式，主要部分 pcl_isfinite(double) ：

//遍歷並刪除重取樣之後的無效點
void
eraseinvalidpoints
(pcl::pointcloud
::ptr & cloud)
else
++it;
} std::cout <<
"erase points: "
<< cnt << std::endl;
}

PCL 從點雲到網格（二）點雲預處理

點雲到網格

pcl點雲處理

pcl教程筆記（二）點雲顯示與執行緒

PCL 從點雲到網格（二）點雲預處理

點雲到網格

pcl點雲處理

pcl教程筆記（二）點雲顯示與執行緒

相關推薦