| 编辑推荐: |
本文主要介绍了点云加载显示、点云直通滤波、点云平面分割、点云离群点去除、点云法向量。
本文来自于csdn，由火龙果软件Anna编辑、推荐。 |
|
首先介绍一下点云的使用方法,ubuntu.04安装好pcl库之后,在安装目录pcl1.8/doc/tutorials有许多相关基本操作的使用教程,使用方法(在ubuntu14.04环境下编译运行方法):
cd catkin_ws/src/
catkin_create_pkg demo std_msgs rospy roscpp
cloud_viewer.cpp文件拷贝到demo文件下，同时用cloud_viewer文件夹下的CmakeList.txt代替demo文件夹下的CmakeList.txt文件
sudo cmake .
sudo make
./cloud_viewer
|
1. 点云加载显示
首先加载显示我使用kinect2随手所拍摄的一副点云图像:
#include <pcl/visualization/cloud_viewer.h>
#include <iostream>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
int main ()
{
pcl::PointCloud<pcl:: PointXYZRGBA> ::Ptr
cloud (new pcl::PointCloud< pcl::PointXYZRGBA>);
pcl::io::loadPCDFile ("0000_cloud.pcd",
*cloud);
pcl::visualization:: CloudViewer viewer("Cloud
Viewer");
viewer.showCloud(cloud);
while(!viewer.wasStopped())
{
viewer.spinOnce();
}
return (0);
}
|
linux下屏幕截图命令 : gnome-screenshot -a
2.点云直通滤波
我们只关注桌面区域,采用直通滤波过滤掉桌面意外的部分,这里需要注意我们加载点云类型需要定义为:
pcl::PointCloud:: Ptr cloud (new
pcl::PointCloud);
定义为PointXYZRGBA后总会有报错,个人感觉二者应该会自动转化,这块暂时未能搞清楚.
cl::PointCloud<pcl::
PointXYZ>:: Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
// Create the filtering object
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(50, 400.0);
pass.setFilterFieldName("x");
pass.setFilterLimits(-100,100);
pass.setFilterFieldName("y");
pass.setFilterLimits(-150.0, 0.01);
pass.setFilterLimitsNegative (false); //移去平面局内点，提取剩余点云
pass.filter(*cloud_filtered);
|
再次显示我的图像
3.点云平面分割
我们这里只保留了桌面部分,现在我想去掉桌面部分,只保留桌面上的物体,就要用到ransac平面分割了:
pcl::ModelCoefficients:: Ptr
coefficients (new pcl::ModelCoefficients); //存储输出模型系数
pcl::PointIndices:: Ptr inliers (new pcl::PointIndices);
//存储内点，使用的点
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients (true); //设置对估计的模型参数进行优化处理
seg.setModelType (pcl::SACMODEL_PLANE); //设置模型类型，检测平面
seg.setMethodType (pcl::SAC_RANSAC); //设置方法【聚类或随机样本一致性】
seg.setDistanceThreshold (0.01); //阈值不要设置太大
seg.setInputCloud (cloud_filtered);
seg.segment (*inliers, *coefficients); //分割操作
// Extract the planar inliers from the input cloud
pcl::ExtractIndices <pcl::PointXYZ> extract;
extract.setInputCloud(cloud_filtered);
extract.setIndices(inliers);
//除去平面之外的数据
extract.setNegative(true);
extract.filter(*cloud_filtered);
|
再次显示下这步操作之后的图片:
桌角边缘部分没有被去掉,先不要在乎这个细节,让我继续探索吧!!!去除利群点:
4.点云离群点去除
pcl:: RadiusOutlierRemova
l <pcl:: PointXYZ> outrem; // 创建滤波器
outrem.setInputCloud(cloud);
outrem.setRadiusSearch(0.3); //设置在0.8半径的范围内找邻近点
outrem.setMinNeighborsInRadius(2); //设置查询点的邻近点集数小于2的删除
outrem.filter (*cloud_filtered); //执行条件滤波，存储结果到cloud_filtered
|
去除离群点之后的效果图:
5.点云法向量
//创建法线的对象
pcl::PointCloud<pcl::Normal>:: Ptr normals(new
pcl::PointCloud<pcl::Normal>);
//创建法线估计的对象
pcl::NormalEstimation<pcl:: PointXYZ, pcl::Normal>
normalEstimation;
normalEstimation.setInputCloud (cloud_filtered);
//Kd_tree是一种数据结构便于管理点云以及搜索点云，法线估计对象会使用这种结构来找到最近邻点
pcl::search::KdTree<pcl:: PointXYZ> ::Ptr
kdtree(new pcl::search:: KdTree<pcl::PointXYZ>);
normalEstimation.setSearchMethod(kdtree);
//对于每一个点都用半径为3cm的近邻搜索方式
normalEstimation.setRadiusSearch(0.02);
//计算法线
normalEstimation.compute(*normals);
显示法向量:
pcl::visualization:: PCLVisualizer viewer("PCL
viewer");
viewer.setBackgroundColor (0.0, 0.0, 0.0);
viewer.addPointCloud< pcl::PointXYZ> (cloud_filtered,
"sample cloud");
viewer.setPointCloudRenderingProperties (pcl::visualization:: PCL_VISUALIZER_POINT_SIZE,2
, "sample cloud");
viewer.addPointCloudNormals < pcl ::PointXYZ,
pcl::Normal> (cloud_filtered, normals); |
|
