摘要:实际分割发生在。于是为了转移注意力,让找工作的这段时间有点事做,这时候正好看到之前发的一个笔记三维重建工具使用教程阅读和点赞量都比较高,而且有很多小伙伴在评论区问问题,我意识到了有很多学的小伙伴可能对点云处理很感兴趣。
本教程代码开源:GitHub 欢迎star
本教程解释了如何使用移动最小二乘法 (MLS) 表面重建方法来平滑和重新采样噪声数据。请查看以下视频中的示例:
视频:基于多项式重构的平滑和法线估计
使用统计分析很难消除某些数据不规则性(由小的距离测量误差引起)。要创建完整的模型,必须考虑数据中的光泽表面和遮挡。在无法获取额外扫描的情况下,解决方案是使用重采样算法,该算法尝试通过周围数据点之间的高阶多项式插值来重新创建表面的缺失部分。通过执行重采样,可以纠正这些小错误,并且可以平滑因多次扫描配准而导致的“双壁”伪影。
在上图的左侧,我们看到了由两个配准点云组成的数据集中的效果或估计表面法线。由于对齐错误,产生的法线是嘈杂的。在右侧,我们看到在使用移动最小二乘算法平滑后,同一数据集中的表面法线估计的效果。绘制每个点的曲率作为重采样前后特征值关系的度量,我们得到:
为了近似由点p1、p2 … pk在点q处的局部邻域定义的表面 ,我们使用在稳健计算的参考平面上定义的二元多项式高度函数。
视频: 通过重采样去除噪声数据
以上参考:https://pcl.readthedocs.io/projects/tutorials/en/pcl-1.12.0-rc1/resampling.html#moving-least-squares
import pclpyfrom pclpy import pclimport numpy as npif __name__ == "__main__": # 加载点云数据 cloud = pcl.PointCloud.PointXYZ() if pcl.io.loadPCDFile("../../data/bun0.pcd", cloud) < 0: print("Error loading model cloud.") exit(-1) # 创建一个 KD-Tree tree = pcl.search.KdTree.PointXYZ() # 输出具有PointNormal类型,以便存储ML计算的法线S mls_points = pcl.PointCloud.PointNormal() # 初始化对象(第二点类型是法线类型,即使未使用) mls = pcl.surface.MovingLeastSquares.PointXYZ_PointNormal() mls.setComputeNormals(True) # 设置参数 mls.setInputCloud(cloud) mls.setPolynomialOrder(2) mls.setSearchMethod(tree) mls.setSearchRadius(0.03) # 重建 mls.process(mls_points) # 保存结果 pcl.io.savePCDFile("bun0_mls.pcd", mls_points)
运行代码后,在01_resampling.py同级文件夹下,应该就会看到保存的bun0.pcd文件。
现在,让我们一块一块地分解代码。
# 加载点云数据cloud = pcl.PointCloud.PointXYZ()if pcl.io.loadPCDFile("../../data/bun0.pcd", cloud) < 0:print("Error loading model cloud.")exit(-1)
由于示例 PCD 只有 XYZ 坐标,我们将其加载到 PointCloud。这些字段对于该方法是必需的,其他字段是允许的并将被保留。
# 初始化对象(第二点类型是法线类型,即使未使用)mls = pcl.surface.MovingLeastSquares.PointXYZ_PointNormal()
第一种模板类型用于输入和输出云。在输出中仅平滑输入的 XYZ 维度。
mls.setComputeNormals(True)
如果不需要发现估计,可以跳过这一步。
mls.setPolynomialOrder (2)
2阶多项式拟合,注释掉这行能加速平滑。请查阅代码 API ( :pcl:MovingLeastSquares
) 了解默认值和控制平滑过程的附加参数。
# 保存结果pcl.io.savePCDFile("bun0_mls.pcd", mls_points)
如果法线和原始维度需要在同一点云中,则必须连接字段。
运行代码:
python 01_resampling.py
运行代码后,在01_resampling.py同级文件夹下,应该就会看到保存的bun0_mls.pcd文件。进入当前文件夹,使用pcl_viewer_release进行可视化:
pcl_viewer_release bun0_mls.pcd
结果:
在本教程中,我们将学习如何为平面支持的一组点云计算简单的 2D 外壳多边形(凹面或凸面)。
需要用到的点云pcd文件: table_scene_mug_stereo_textured.pcd 或者在data文件夹下可以看到下载好的。
import pclpyfrom pclpy import pclimport numpy as npif __name__ == "__main__": # 加载点云数据 cloud = pcl.PointCloud.PointXYZ() cloud_filtered = pcl.PointCloud.PointXYZ() cloud_projected = pcl.PointCloud.PointXYZ() if pcl.io.loadPCDFile("../../data/table_scene_mug_stereo_textured.pcd", cloud) < 0: print("Error loading model cloud.") exit(-1) # 滤波 ps = pcl.filters.PassThrough.PointXYZ() ps.setInputCloud(cloud) ps.setFilterFieldName("z") ps.setFilterLimits(0, 1.0) ps.filter(cloud_filtered) print("PointCloud after filtering has: ", cloud_filtered.size(), " data points.") coefficients = pcl.ModelCoefficients() inliers = pcl.PointIndices() # 实例化分割类 seg = pcl.segmentation.SACSegmentation.PointXYZ() # 可选项 seg.setOptimizeCoefficients(True) # 必需设置的参数 seg.setInputCloud(cloud_filtered) seg.setModelType(0) # 0为pcl::SACMODEL_PLANE seg.setMethodType(0) # 0为pcl::SAC_RANSAC seg.setDistanceThreshold(0.01) seg.segment(inliers, coefficients) print("PointCloud after segmentation has: ", len(inliers.indices), " inliers.") # 投影模型内点 proj = pcl.filters.ProjectInliers.PointXYZ() proj.setModelType(0) # 0为pcl::SACMODEL_PLANE proj.setIndices(inliers) proj.setInputCloud(cloud_filtered) proj.setModelCoefficients(coefficients) proj.filter(cloud_projected) print("PointCloud after projection has: ", cloud_projected.size(), " data points.") # 创建一个凹壳表示投影内点 cloud_Concavehull = pcl.PointCloud.PointXYZ() Concavehull = pcl.surface.ConcaveHull.PointXYZ() Concavehull.setInputCloud(cloud_projected) Concavehull.setAlpha(0.1) Concavehull.reconstruct(cloud_Concavehull) print("Concave hull has: ", cloud_Concavehull.size(), " data points") # 创建一个凸壳表示投影内点 cloud_Convexhull = pcl.PointCloud.PointXYZ() Convexhull = pcl.surface.ConvexHull.PointXYZ() Convexhull.setInputCloud(cloud_projected) Convexhull.reconstruct(cloud_Convexhull) print("Convex hull has: ", cloud_Convexhull.size(), " data points") # 可视化 viewer = pcl.visualization.CloudViewer("viewer") # viewer.showCloud(cloud, "sample cloud") viewer.showCloud(cloud_projected, "projected cloud") viewer.showCloud(cloud_Concavehull, "Concavehull cloud") # viewer.showCloud(cloud_Convexhull, "Convexhull cloud") while not viewer.wasStopped(10): pass
在下面的代码行中,创建了一个分割对象并设置了一些参数。我们使用SACMODEL_PLANE来分割这个PointCloud,找到这个模型的方法是SAC_RANSAC。实际分割发生在seg.segment (*inliers, coefficients)。此函数将所有内点(在平面上)存储到inliers,并将系数存储到平面(a * x + b * y + c * z = d)中的 coefficients。
coefficients = pcl.ModelCoefficients()inliers = pcl.PointIndices()# 实例化分割类seg = pcl.segmentation.SACSegmentation.PointXYZ()# 可选项seg.setOptimizeCoefficients(True)# 必需设置的参数seg.setInputCloud(cloud_filtered)seg.setModelType(0) # 0为pcl::SACMODEL_PLANEseg.setMethodType(0) # 0为pcl::SAC_RANSACseg.setDistanceThreshold(0.01)seg.segment(inliers, coefficients)
下一段代码将内点投影到平面模型上并创建另一个点云。我们可以做到这一点的一种方法是仅提取我们之前找到的内点,但在这种情况下,我们将使用我们之前找到的系数。我们设置我们正在寻找的模型类型,然后设置系数,然后将 cloud_filtered 投影到 cloud_projected。
# 投影模型内点proj = pcl.filters.ProjectInliers.PointXYZ()proj.setModelType(0) # 0为pcl::SACMODEL_PLANEproj.setIndices(inliers)proj.setInputCloud(cloud_filtered)proj.setModelCoefficients(coefficients)proj.filter(cloud_projected)
真正有趣的部分在下面几行中,其中创建了 ConcaveHull/ ConvexHull对象并执行了重建:
# 创建一个凹壳表示投影内点cloud_Concavehull = pcl.PointCloud.PointXYZ()Concavehull = pcl.surface.ConcaveHull.PointXYZ()Concavehull.setInputCloud(cloud_projected)Concavehull.setAlpha(0.1)Concavehull.reconstruct(cloud_Concavehull)print("Concave hull has: ", cloud_Concavehull.size(), " data points")# 创建一个凸壳表示投影内点cloud_Convexhull = pcl.PointCloud.PointXYZ()Convexhull = pcl.surface.ConvexHull.PointXYZ()Convexhull.setInputCloud(cloud_projected)Convexhull.reconstruct(cloud_Convexhull)print("Convex hull has: ", cloud_Convexhull.size(), " data points")
运行代码:
python 02_convex_hull_2d.py
结果:
PointCloud after filtering has: 124554 data points.
PointCloud after segmentation has: 108616 inliers.
PointCloud after projection has: 108616 data points.
Concave hull has: 509 data points
Convex hull has: 32 data points
图中右侧点云为投影点云,左侧为其凹壳和凸包表示。
本教程解释了如何在具有法线的 PointCloud 上运行贪婪曲面三角剖分算法,以基于局部邻域的投影获得三角形网格。
演示视频:表面三角测量和点云分类
该方法的工作原理是维护一个可以从中生长网格的点列表(“边缘”点)并扩展它直到连接所有可能的点。它可以处理来自一次或多次扫描以及具有多个连接部分的无组织点。如果表面局部光滑并且具有不同点密度的区域之间存在平滑过渡,则效果最佳。
通过沿点的法线投影点的局部邻域并连接未连接的点,在本地执行三角剖分。因此,可以设置以下参数:
请参阅下面的示例,您可以查阅以下论文及其参考资料以了解更多详细信息:
@InProceedings{Marton09ICRA, author = {Zoltan Csaba Marton and Radu Bogdan Rusu and Michael Beetz}, title = {{On Fast Surface Reconstruction Methods for Large and Noisy Datasets}}, booktitle = {Proceedings of the IEEE International Conference on Robotics and Automation (ICRA)}, month = {May 12-17}, year = {2009}, address = {Kobe, Japan},}
import pclpyfrom pclpy import pclimport numpy as npif __name__ == "__main__": # 加载点云数据 cloud = pcl.PointCloud.PointXYZ() if pcl.io.loadPCDFile("../../data/bun0.pcd", cloud) < 0: print("Error loading model cloud.") exit(-1) # 法线估计 normals不包含点,只包含法线+曲面曲率 ne = pcl.features.NormalEstimation.PointXYZ_Normal() normals = pcl.PointCloud.Normal() tree = pcl.search.KdTree.PointXYZ() tree.setInputCloud(cloud) ne.setInputCloud(cloud) ne.setSearchMethod(tree) ne.setKSearch(20) ne.compute(normals) # 连接XYZ 和 normal 字段 cloud_with_normals = pcl.PointCloud.PointNormal(np.hstack(( cloud.xyz, normals.normals, normals.curvature.reshape(-1, 1)))) # 开始准备贪婪三角化算法 tree2 = pcl.search.KdTree.PointNormal() tree2.setInputCloud(cloud_with_normals) gp3 = pcl.surface.GreedyProjectionTriangulation.PointNormal() triangles = pcl.PolygonMesh() # 设置连接点之间的最大距离(最大边长) gp3.setSearchRadius(0.025) # 设置参数 gp3.setMu(2.5) gp3.setMaximumNearestNeighbors(100) gp3.setMaximumSurfaceAngle(np.pi / 4) # 45 degrees gp3.setMinimumAngle(np.pi / 18) # 10degrees gp3.setMaximumAngle(2 * np.pi / 3) # 120 degrees gp3.setNormalConsistency(False) # 获取结果并保存 gp3.setInputCloud(cloud_with_normals) gp3.setSearchMethod(tree2) gp3.reconstruct(triangles) save = pcl.io.saveVTKFile("bun0_gp3.vtk", triangles) # 顶点信息 parts = pcl.vectors.Int() states = pcl.vectors.Int()
你可以在data文件夹下找到的输入文件bun0.pcd
现在,让我们一块一块地分解代码。
# 加载点云数据cloud = pcl.PointCloud.PointXYZ()if pcl.io.loadPCDFile("../../data/bun0.pcd", cloud) < 0: print("Error loading model cloud.") exit(-1)
由于bun0.pcd只有 XYZ 坐标,我们将其加载到 PointCloud< PointXYZ >。
# 法线估计 normals不包含点,只包含法线+曲面曲率ne = pcl.features.NormalEstimation.PointXYZ_Normal()normals = pcl.PointCloud.Normal()tree = pcl.search.KdTree.PointXYZ()tree.setInputCloud(cloud)ne.setInputCloud(cloud)ne.setSearchMethod(tree)ne.setKSearch(20)ne.compute(normals)
该方法需要法线,因此使用 PCL 的法线估计方法对其进行估计。
# 连接XYZ 和 normal 字段cloud_with_normals = pcl.PointCloud.PointNormal(np.hstack(( cloud.xyz, normals.normals, normals.curvature.reshape(-1, 1))))
由于坐标和法线需要在同一个 PointCloud 中,我们创建一个 PointNormal 类型的点云
# 开始准备贪婪三角化算法tree2 = pcl.search.KdTree.PointNormal()tree2.setInputCloud(cloud_with_normals)gp3 = pcl.surface.GreedyProjectionTriangulation.PointNormal()triangles = pcl.PolygonMesh()# 设置连接点之间的最大距离(最大边长)gp3.setSearchRadius(0.025)# 设置参数gp3.setMu(2.5)gp3.setMaximumNearestNeighbors(100)gp3.setMaximumSurfaceAngle(np.pi / 4) # 45 degreesgp3.setMinimumAngle(np.pi / 18) # 10degreesgp3.setMaximumAngle(2 * np.pi / 3) # 120 degreesgp3.setNormalConsistency(False)# 获取结果并保存gp3.setInputCloud(cloud_with_normals)gp3.setSearchMethod(tree2)gp3.reconstruct(triangles)
上面是贪婪三角化的参数设置以及重建,不再赘述,看注释就行。
# 顶点信息parts = pcl.vectors.Int()states = pcl.vectors.Int()
对于每个点,可以检索包含连接组件的 ID 及其“状态”(即 gp3.FREE、gp3.BOUNDARY 或 gp3.COMPLETED)。
运行代码:
python 03_greedy_projection.py
运行代码后,在03_greedy_projection.py同级文件夹下,应该就会看到保存的bun0_gp3.vtk文件。进入当前文件夹,使用pcl_viewer_release进行可视化:
pcl_viewer_release bun0_gp3.vtk
结果:
参考:https://pcl.readthedocs.io/projects/tutorials/en/pcl-1.12.0-rc1/#surface
2021.10.10日 记:
历时一个月的时间,一边找工作一边写着,中间也鸽过几天,终于在今天完成了这个仓库的第一个版本,因为时间仓促,这个教程还不完美,若有错误,恳请指正。
想起来,做这个pclpy教程也是心血来潮,因为九月十月开始了秋招,每天都在忙于投简历、面试,在这种情况下整个人都有些躁动,静不下心搞论文。于是为了转移注意力,让找工作的这段时间有点事做,这时候正好看到之前发的一个笔记三维重建工具——pclpy使用教程 阅读和点赞量都比较高,而且有很多小伙伴在评论区问问题,我意识到了有很多学python的小伙伴可能对点云处理很感兴趣。于是,心血来潮,开始开干!就有了pclpy教程这个仓库。
简单总结一下在写这个教程过程中的一个体会。pclpy是点云库(PCL)的Python绑定,其使用pybind11绑定,我们可以直接使用c++,模板、boost::smart_ptr和缓冲区协议都比较容易实现。从使用角度来说呢,pclpy和PCL的写法很多地方几乎一致,这使得我们如果写PCL的经验,就会很容易上手pclpy。但是pclpy的缺点也很明显!!!毕竟PCL是一个庞大的算法库,使用pybind11绑定也是一个庞大的工作量,pclpy 这个库正在积极开发中(作者原话),但是我看到最近作者的更新频率不是很高(最近一次是在2021.03.09),pclpy仓库中显示目前开发进度如下
开发中的模块
跳过的模块:
但实际使用过程中,情况没有那么乐观,有很多类还未实现。
对已测试的功能中碰到的问题总结如下:
点云拼接 pcl::concatenateFields未绑定
点云压缩pcl::compression::octree_pointcloud_compression类未绑定
runOnVisualizationThreadOnce()未绑定
可视化椭圆viewer.addSphere()报错:no override found for “VTKPolyDataMapper”
可视化法线viewer.addPointCloudNormals()报错:In…/Rendering/Core/vtkActor.cxx, line 43. Error: no override found for vtkactor
可视化mesh报错:viewer.addPolygon() 这个作者提到过,还未绑定好
条件滤波ConditionalRemoval类未绑定。
RangeImage类未绑定
keypoints模块未绑定
pcl::MomentOfInertiaEstimation类存在bug,主要是getEigenValues(),getEigenVectors(),getMassCenter()这三个函数,使用numpy数组直接作为参数的函数似乎都有这个问题。
旋转投影统计特征pcl::ROPSEstimation类未绑定成功
GASD类、GRSD类未完成绑定。
Registration模块未绑定
基于颜色的区域生长分割pcl::RegionGrowingRGB类未绑定
条件欧几里得聚类pcl::ConditionalEuclideanClustering类未绑定
基于法线差异的分割pcl::DifferenceOfNormalsEstimation类未绑定
将点云聚类为 Supervoxels的pcl::SupervoxelClustering类存在bug,getSupervoxelAdjacency()函数报错,应该也是未完全绑定。
使用 ModelOutlierRemoval 过滤点云中的pcl::model_outlier_removal类未绑定。
未绑定的类:
pcl::Correspondences
pcl::Hough3DGrouping
pcl::ism::ImplicitShapeModel
pcl::Correspondences
pcl::Hough3DGrouping
…
B样条拟合算法pcl::on_nurbs未绑定。
总的来说,由于PCL绑定工作量比较大,pclpy目前只绑定了PCL部分功能,玩一玩儿可以,实际项目中作用不是很大,好好学PCL吧。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/122156.html
摘要:在本教程中,我们将学习如何使用八叉树在点云数据中进行空间分区和邻居搜索。因此,搜索点和搜索结果之间的距离取决于八叉树的分辨率参数。此外,先进的内存管理减少了八叉树构建过程中的内存分配和释放操作。总结八叉树实现是空间分区和搜索操作的强大工具。 本教程代码开源:GitHub 欢迎st...
摘要:控制摄像机画面网页里的摄像机一般是这样用的在网页里,无论你搭建了怎样的三维场景,只要你希望它显示出来,就应该像这样把构成场景的三维物体都放在一个容器元素里,然后为容器元素添加摄像机属性和。 css里的3d理念 使用css3的3d transform,就可以在平面的网页里添加炫酷的三维视觉效果,这很令人愉悦。 需要注意的是,3d transform只是css的一部分,它并不是一个三维引擎...
摘要:首先是这个地球,得看看它是真还是假因为很多效果是拿雪碧图做的,比如这里的旋转的飞机,结果找到了并且在网站文件中搜到了,那就是没跑了。 上个月底,在朋友圈看到一个号称这可能是地球上最美的h5的分享,点进入后发现这个h5还很别致,思考了一会,决定要不高仿一个? 到今天为止,高仿基本完成, 线上地址 github地址 除了手机端的media控制没有去兼容,其他的基本都给仿了。 那为了让你...
摘要:基于深度学习的,主要是基于单张低分辨率的重建方法,即。而基于深度学习的通过神经网络直接学习分辨率图像到高分辨率图像的端到端的映射函数。 超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学...
摘要:题目链接题目分析给定一个三维数组,返回所行程柱状体的表面积。思路三维数组中,的值表示在该点上柱状体的高度。当相邻位置有方块时,需要减去相应表面积。但只减去两个柱体中,较矮的柱体的高度。要记住,在两个方向上都需要做该判断。 D65 892. Surface Area of 3D Shapes 题目链接 892. Surface Area of 3D Shapes 题目分析 给定一个三维数...
阅读 2142·2021-10-11 10:58
阅读 2860·2019-08-30 15:56
阅读 1082·2019-08-29 15:20
阅读 1419·2019-08-29 13:19
阅读 1317·2019-08-29 13:10
阅读 2071·2019-08-27 14:26
阅读 3254·2019-08-26 18:27
阅读 2928·2019-08-26 11:46