PCL 计算法向量（MLS)

embedded/2024/10/9 8:20:01/

目录

一、概述

1.1原理

1.2实现步骤

1.3应用场景

二、代码实现

2.1关键函数

2.1.1 computeNormalsUsingMLS

2.1.2 visualizeMLSNormals

2.2完整代码

三、实现效果

PCL点云算法汇总及实战案例汇总的目录地址链接：

PCL点云算法与项目实战案例汇总（长期更新）

一、概述

        在点云处理领域，法向量是描述点云表面方向的关键属性之一。移动最小二乘（MLS, Moving Least Squares）法是一种常用的表面拟合算法，通过对局部邻域的平滑处理，得到点云的法向量。相比于其他方法，MLS法能在一定程度上提高点云法向量计算的精度和抗噪能力。

1.1原理

        移动最小二乘算法的基本思想是，在局部邻域内寻找最适合描述表面的函数，然后通过拟合得到该区域的法向量。MLS法会对点云进行表面平滑处理，这在噪声较大的点云中具有更好的表现。

法向量的计算步骤如下：

  1. 构建局部邻域：对给定点，找到其邻域内的点集。
  2. 拟合平面：在邻域内使用最小二乘法拟合平面。
  3. 法向量计算：平面的法向量即为该点的法向量。

1.2实现步骤

  1. 读取点云数据：从PCD文件中读取点云。
  2. 进行MLS重采样和法向量计算：使用pcl::MovingLeastSquares方法进行点云重采样并计算法向量。
  3. 可视化点云及其法向量：使用PCL的可视化工具显示原始点云和法向量。

1.3应用场景

  1. 表面重建：在3D表面重建中用于估计点云表面的法向量。
  2. 噪声点滤除：通过MLS重采样平滑点云，去除噪声。
  3. 精细化建模：在工业检测、3D扫描等领域，使用MLS可以得到更平滑的模型。

二、代码实现

2.1关键函数

2.1.1 computeNormalsUsingMLS

用于基于MLS算法计算点云的法向量。

// 基于MLS算法计算法向量
void computeNormalsUsingMLS(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{// 创建 MLS 对象并设置参数pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;mls.setInputCloud(cloud);mls.setComputeNormals(true);  // 设置为计算法线mls.setPolynomialOrder(2);    // 多项式拟合阶数mls.setSearchRadius(0.03);    // 搜索半径// 计算 MLS 重采样结果和法线pcl::PointCloud<pcl::PointNormal>::Ptr mls_points(new pcl::PointCloud<pcl::PointNormal>);mls.process(*mls_points);// 提取法向量for (size_t i = 0; i < mls_points->points.size(); ++i){pcl::Normal normal;normal.normal_x = mls_points->points[i].normal_x;normal.normal_y = mls_points->points[i].normal_y;normal.normal_z = mls_points->points[i].normal_z;normals->points.push_back(normal);}
}

2.1.2 visualizeMLSNormals

用于可视化MLS法向量。

// 可视化法向量
void visualizeMLSNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{// 创建可视化对象boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Normal Viewer"));// 创建第一个视口，显示原始点云int vp_1;viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);viewer->setBackgroundColor(0.0, 0.0, 0.0, vp_1);viewer->addText("Original Point Cloud", 10, 10, "vp1_text", vp_1);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0);viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color, "original_cloud", vp_1);// 创建第二个视口，显示法向量int vp_2;viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);viewer->setBackgroundColor(0.08, 0.08, 0.08, vp_2);viewer->addText("MLS Normals", 10, 10, "vp2_text", vp_2);// 添加法向量，并设置为黑色viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 0.02, "normals", vp_2);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler_2(cloud, 0, 255, 0);  // 绿色viewer->addPointCloud(cloud, cloud_color_handler_2, "cloud_with_curvature", vp_2);//viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 0.0, 0.0, "normals", vp_2);  // 设置法向量为黑色// 显示点云while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}
}

2.2完整代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/surface/mls.h>  // 使用 MLS 进行重采样和法向量估计
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>// 基于MLS算法计算法向量
void computeNormalsUsingMLS(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{// 创建 MLS 对象并设置参数pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;mls.setInputCloud(cloud);mls.setComputeNormals(true);  // 设置为计算法线mls.setPolynomialOrder(2);    // 多项式拟合阶数mls.setSearchRadius(0.03);    // 搜索半径// 计算 MLS 重采样结果和法线pcl::PointCloud<pcl::PointNormal>::Ptr mls_points(new pcl::PointCloud<pcl::PointNormal>);mls.process(*mls_points);// 提取法向量for (size_t i = 0; i < mls_points->points.size(); ++i){pcl::Normal normal;normal.normal_x = mls_points->points[i].normal_x;normal.normal_y = mls_points->points[i].normal_y;normal.normal_z = mls_points->points[i].normal_z;normals->points.push_back(normal);}
}// 可视化法向量
void visualizeMLSNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{// 创建可视化对象boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Normal Viewer"));// 创建第一个视口，显示原始点云int vp_1;viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);viewer->setBackgroundColor(0.0, 0.0, 0.0, vp_1);viewer->addText("Original Point Cloud", 10, 10, "vp1_text", vp_1);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color(cloud, 255, 0, 0);viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color, "original_cloud", vp_1);// 创建第二个视口，显示法向量int vp_2;viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);viewer->setBackgroundColor(0.08, 0.08, 0.08, vp_2);viewer->addText("MLS Normals", 10, 10, "vp2_text", vp_2);// 添加法向量，并设置为黑色viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 0.02, "normals", vp_2);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler_2(cloud, 0, 255, 0);  // 绿色viewer->addPointCloud(cloud, cloud_color_handler_2, "cloud_with_curvature", vp_2);//viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 0.0, 0.0, "normals", vp_2);  // 设置法向量为黑色// 显示点云while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}
}int main(int argc, char** argv)
{// -------------------------------读取点云--------------------------------------pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ>("bunny.pcd", *cloud) == -1){PCL_ERROR("Couldn't read the PCD file\n");return -1;}// ------------------------------计算法向量-------------------------------------pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);computeNormalsUsingMLS(cloud, normals);// -------------------------------可视化---------------------------------------visualizeMLSNormals(cloud, normals);return 0;
}

三、实现效果


http://www.ppmy.cn/embedded/124970.html

相关文章

STM32—SPI通讯协议

STM32—SPI通讯协议

前言 由于I2C开漏外加上拉电阻的电路结构&#xff0c;使得通信线高电平的驱动能力比较弱&#xff0c;这就会号致&#xff0c;通信线由候电平变到高电平的时候&#xff0c;这个上升沿耗时比较长&#xff0c;这会限制I2C的最大通信速度&#xff0c; 所以&#xff0c;I2C的标准模…
阅读更多...
雷池+frp 批量设置proxy_protocol实现真实IP透传

雷池+frp 批量设置proxy_protocol实现真实IP透传

需求 内网部署safeline&#xff0c;通过frp让外网访问内部web网站服务&#xff0c;让safeline记录真实外网攻击IP safeline 跟 frp都部署在同一台服务器&#xff1a;192.168.2.103 frp client 配置 frpc只需要在https上添加transport.proxyProtocolVersion "v2"即…
阅读更多...
C++并发编程实战—单例模式与线程池实现

C++并发编程实战—单例模式与线程池实现

线程池 C线程池是一种用于管理和复用线程的机制&#xff0c;它可以提高程序的性能和效率&#xff0c;特别是在处理大量并发任务时。以下是C线程池的具体细节&#xff1a; 一、定义与功能 定义&#xff1a;线程池是一种设计模式&#xff0c;它预先创建并维护一定数量的线程&a…
阅读更多...
js 实现视频封面截图

js 实现视频封面截图

今天给大家分享一下&#xff0c;如何实现视频封面截取功能&#xff0c;这里主要用到了 HTML5 的 canvas 相关的 api 和 js 相关的一些知识&#xff0c;话不多说&#xff0c;直接上代码&#xff1a; <template><div><div class"margin-tb-sm"><…
阅读更多...
大数据实时数仓Hologres（四）：基于Flink+Hologres搭建实时数仓

大数据实时数仓Hologres（四）：基于Flink+Hologres搭建实时数仓

文章目录 基于Flink+Hologres搭建实时数仓 一、使用示例 二、方案架构 1、架构优势 2、Hologres核心优势 三、实践场景 四、项目准备 1、创建阿里云账号AccessKey 2、准备MySQL数据源 五、构建实时数仓​编辑 1、管理元数据 2、构建ODS层 2.1、创建CDAS同步作业O…
阅读更多...
Spring Boot 进阶-详解SpringBoot的复杂数据校验规则

Spring Boot 进阶-详解SpringBoot的复杂数据校验规则

在之前的文章中，我们介绍了SpringBoot整合JSR-303规则来完成数据校验操作。接下来我们来聊一聊关于数据校验的具体用法。 之前的文章中举过一个简单的例子通过学生信息提交的例子来介绍了关于数据校验如何去做。那么接下来这篇文章，我们就来看看对于一些复杂的数据校验如何完…
阅读更多...
进入容器：掌控Docker的世界

进入容器：掌控Docker的世界

进入容器&#xff1a;掌控Docker的世界 在这个快速发展的技术时代&#xff0c;你是否曾被Docker的庞大生态所吸引&#xff1f;那么&#xff0c;有没有想过在这个容器化的世界里&#xff0c;如何快速高效地“进入”这些隐藏在虚拟墙后的容器呢&#xff1f;容器就如同魔法箱&…
阅读更多...
Linux操作系统——概念扫盲I

Linux操作系统——概念扫盲I

目录 虚拟机概念刨析 在那之前&#xff0c;询问什么是虚拟化&#xff1f; 现在来看看什么是虚拟机 虚拟机有啥好的 小差&#xff1a;那JVM也叫Java Virtual Machine&#xff0c;有啥区别呢&#xff1f; Reference 虚拟机概念刨析 我们下面来简单聊聊虚拟机这个概念。对于…
阅读更多...
最新文章

Copyright @ 2022~2023