pcl_filters模块api代码解析

上周点云公众号开启了学习模式,由博主分配任务,半个月甚至一个月参与学习小伙伴的反馈给群主,并在微信交流群中进行学术交流,加强大家的阅读文献能力,并提高公众号的分享效果。在此期待更多的同学能参与进来!(目前已经有成员反馈,还有需要小伙伴没有发过来哦,下周开始会将分享整理出来,定期分享,并将文档上传至github组群,已经有部分分享上传至github组群中,供大家下载查看,并且有问题可以在github的issues中提问,大家可以相互提问并解答)

pcl_filters库包含3D点云数据的离群点和噪声点去除等功能。PCL中主要的滤波器有直通滤波器,体素格滤波器,统计滤波器,半径滤波器 等。不同特性的滤波器构成了较为完整的点云前处理族,并组合使用完成任务。实际上,滤波手段的选择和采集方式是密不可分的。

点云滤波,顾名思义,就是滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点, 在获取点云数据时 ,由于设备精度,操作者经验环境因素带来的影响,以及电磁波的衍射特性,被测物体表面性质变化和数据拼接配准操作过程的影响,点云数据中讲不可避免的出现一些噪声。在点云处理流程中滤波处理作为预处理的第一步,对后续的影响比较大,只有在滤波预处理中, 将噪声点 ,离群点,孔洞,数据压缩等按照后续处理定制,才能够更好的进行配准,特征提取,曲面重建,可视化等后续应用处理.,其类似于信号处理中的滤波。

1. 点云不是函数,无法建立横纵坐标之间的关系

2. 点云在空间中是离散的,不像图像信号有明显的定义域

3. 点云在空间中分布广泛,建立点与点之间的关系较为困难

4. 点云滤波依赖于集合信息而非数值信息

点云滤波方法主要有:

1. 直通滤波器 pcl::PassThrough<pcl::PointXYZ> pass

2. 体素格滤波器 pcl::VoxelGrid<pcl::PCLPointCloud2> sor;

3. 统计滤波器 pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;

4. 半径滤波器 pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;

5. 双边滤波 pcl::BilateralFilter<pcl::PointXYZ> bf;

6. 高斯滤波 pcl::filters::GaussianKernel< PointInT, PointOutT >

7. 立方体滤波 pcl::CropBox< PointT>

8. 封闭曲面滤波 pcl::CropHull< PointT>

9. 空间剪裁:

pcl::Clipper3D<pcl::PointXYZ>

pcl::BoxClipper3D<pcl::PointXYZ>

pcl::CropBox<pcl::PointXYZ>

pcl::CropHull<pcl::PointXYZ>

10. 卷积滤波:实现将两个函数通过数学运算产生第三个函数,可以设定不同的卷积核

pcl::filters::Convolution<PointIn, PointOut>

pcl::filters::ConvolvingKernel<PointInT, PointOutT>

11. 随机采样一致滤波等,通常组合使用完成任务。

PCL中总结了几种需要进行点云滤波处理情况

(1) 点云数据密度不规则需要平滑

(2) 因为遮挡等问题造成离群点需要去除

(3) 大量数据需要下采样

(4) 噪声数据需要去除

对应的方案如下:

(1)按照给定的规则限制过滤去除点

(2) 通过常用滤波算法修改点的部分属性

(3)对数据进行下采样

class pcl::ApproximateVoxelGrid< PointT >

对点云进行网格化下采样滤波处理

向上滑动阅览

void gridSampleApprox (const CloudConstPtr &cloud, Cloud &result, double leaf_size)

{

pcl::ApproximateVoxelGrid<pcl::PointXYZRGBA> grid;

grid.setLeafSize (static_cast<float> (leaf_size), static_cast<float> (leaf_size), static_cast<float> (leaf_size));

grid.setInputCloud (cloud);

grid.filter (result);

}

class pcl::BilateralFilter< PointT >

实现点云的双边滤波功能,具体理论可以查看论文

C. Tomasi and R. Manduchi. Bilateral Filtering for Gray and Color Images. In Proceedings of the IEEE International Conference on Computer Vision, 1998

该类的实现利用的并非XYZ字段的数据进行, 而是利用强度数据进行双边滤波算法的实现, 所以在使用该类时点云的类型必须有强度字段,否则无法进行双边滤波处理,双边滤波算法是通过取临近采样点和加权平均来修正当前采样点的位置,从而达到滤波效果,同时也会有选择剔除与当前采样点“差异”太大的相邻采样点,从而保持原特征的目的

class pcl::BoxClipper3D< PointT >

实现空间裁剪

以下几个函数实现空间剪裁:

pcl::Clipper3D<pcl::PointXYZ>

pcl::BoxClipper3D<pcl::PointXYZ>

pcl::CropBox<pcl::PointXYZ>

pcl::CropHull<pcl::PointXYZ> 剪裁并形成封闭曲面

class pcl::ConditionalRemoval< PointT >

ConditionalRemoval过滤满足特定条件的数据。 可以一次删除满足对输入的点云设定的一个或多个条件指标的所有的数据点,删除点云中不符合用户指定的一个或者多个条件的数据点,用户必须为ConditionalRemoval提供条件。 有两种类型的条件:ConditionAnd和ConditionOr。

向上滑动阅览

#include <pcl/filters/conditional_removal.h>

//创建条件限定的下的滤波器

// 创建点云对象 指针

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);

// 源点云读取获取后

//创建条件定义对象

pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond (new pcl::ConditionAnd<pcl::PointXYZ>());

//为条件定义对象添加比较算子

range_cond->addComparison (pcl::FieldComparison<pcl::PointXYZ>::ConstPtr (new

pcl::FieldComparison<pcl::PointXYZ> ("z", pcl::ComparisonOps::GT, 0.0)));

//添加在Z字段上大于(pcl::ComparisonOps::GT great Then)0的比较算子

range_cond->addComparison (pcl::FieldComparison<pcl::PointXYZ>::ConstPtr (new

pcl::FieldComparison<pcl::PointXYZ> ("z", pcl::ComparisonOps::LT, 0.8)));

//添加在Z字段上小于(pcl::ComparisonOps::LT Lower Then)0.8的比较算子

// 曲率条件

// 创建条件定义对象 曲率

// pcl::ConditionOr<PointNormal>::Ptr range_cond (new pcl::ConditionOr<PointNormal> () );

// range_cond->addComparison (pcl::FieldComparison<PointNormal>::ConstPtr (// 曲率 大于

new pcl::FieldComparison<PointNormal> ("curvature", pcl::ComparisonOps::GT, threshold))

);

// 创建滤波器并用条件定义对象初始化

pcl::ConditionalRemoval<pcl::PointXYZ> condrem;//创建条件滤波器

condrem.setCondition (range_cond); //并用条件定义对象初始化

condrem.setInputCloud (cloud); //输入点云

condrem.setKeepOrganized(true); //设置保持点云的结构

// 执行滤波

condrem.filter(*cloud_filtered); //大于0.0小于0.8这两个条件用于建立滤波器

class pcl::filters::Convolution< PointIn, PointOut >

卷积滤波:实现将两个函数通过数学运算产生第三个函数,

该类提供点云的行,列和单独的卷积操作。 只有有组织后者是有序的点云才允许使用列和单独的卷积。

可以设定不同的卷积核,有以下几种操作

pcl::filters::Convolution<PointIn, PointOut>

pcl::filters::ConvolvingKernel<PointInT, PointOutT>

pcl::filters::GaussianKernel< PointInT, PointOutT >

pcl::filters::GaussianKernelRGB< PointInT, PointOutT >

pcl::PointCloud<pcl::PointXYZRGB>::Ptr input_cloud (new pcl::PointCloud<pcl::PointXYZRGB>);

pcl::PointCloud<pcl::PointXYZRGB>::Ptr kernel_cloud (new pcl::PointCloud<pcl::PointXYZRGB>);

pcl::PointCloud<pcl::PointXYZRGB>::Ptr output_cloud (new pcl::PointCloud<pcl::PointXYZRGB>);

/*example 1 : Gaussian Smoothing*/

kernel.sigma_ = 2.0;

kernel.kernel_size_ = 3;

kernel.gaussianKernel (*kernel_cloud);

convolution.kernel_ = *kernel_cloud;

convolution.convolve (*output_cloud, *input_cloud);

class pcl::ExtractIndices< PointT >

从点云中提取一组索引。

向上滑动阅览

案例1 :

pcl::ExtractIndices<PointType> eifilter (true); // Initializing with true will allow us to extract the removed indices

eifilter.setInputCloud (cloud_in);

eifilter.setIndices (indices_in);

eifilter.filter (*cloud_out);

// The resulting cloud_out contains all points of cloud_in that are indexed by indices_in

indices_rem = eifilter.getRemovedIndices ();

// The indices_rem array indexes all points of cloud_in that are not indexed by indices_in

eifilter.setNegative (true);

eifilter.filter (*indices_out);

// Alternatively: the indices_out array is identical to indices_rem

eifilter.setNegative (false);

eifilter.setUserFilterValue (1337.0);

eifilter.filterDirectly (cloud_in);

// This will directly modify cloud_in instead of creating a copy of the cloud

// It will overwrite all fields of the filtered points by the user value: 1337

案例2:

基于某一分割算法提取点云中的一个子集

#include <pcl/filters/voxel_grid.h>

#include <pcl/filters/extract_indices.h>

// 设置ExtractIndices的实际参数

pcl::ExtractIndices<pcl::PointXYZ> extract; //创建点云提取对象

// 创建点云索引对象 

pcl::PointIndices::Ptr inliers (new pcl::PointIndices());

// 分割点云

// 为了处理点云包含的多个模型,在一个循环中执行该过程并在每次模型被提取后,保存剩余的点进行迭代

seg.setInputCloud (cloud_filtered);// 设置源 滤波后的点云

seg.segment (*inliers, *coefficients);// 输入分割系数得到 分割后的点云 索引inliers

// 提取索引 Extract the inliers

extract.setInputCloud (cloud_filtered);

extract.setIndices (inliers);

extract.setNegative (false);

extract.filter (*cloud_p);// 按索引提取 点云

class pcl::FrustumCulling< PointT >

在相机的位姿和视野给出的平截头体内进行点云滤波。

pcl::PointCloud <pcl::PointXYZ>::Ptr source;

// .. read or fill the source cloud

pcl::FrustumCulling<pcl::PointXYZ> fc;

fc.setInputCloud (source);

fc.setVerticalFOV (45);

fc.setHorizontalFOV (60);

fc.setNearPlaneDistance (5.0);

fc.setFarPlaneDistance (15);

Eigen::Matrix4f camera_pose;

// .. read or input the camera pose from a registration algorithm.

fc.setCameraPose (camera_pose);

pcl::PointCloud <pcl::PointXYZ> target;

fc.filter (target);

class pcl::GridMinimum< PointT >

在给定的点云上进行2D网格,并对数据进行下采样。

class pcl::LocalMaximum< PointT >

通过消除局部最大的点来对点云进行下采样。

class pcl::MedianFilter< PointT >

中值滤波器

pcl::MedianFilter<pcl::PointXYZRGBA> fbf;

fbf.setInputCloud (cloud_in);

fbf.setMaxAllowedMovement (max_allowed_movement_);

fbf.setWindowSize (window_size_);

fbf.filter (*cloud_out);

class pcl::NormalRefinement< NormalT >

法向量重定义(可以做实验验证,原本杂乱的法向量经过处理后会具有一致性),该类通过迭代地更新其邻域中所有法线的(加权)均值的每个法线来细化一组已经估计的法线。 目的是重复使用与估计原始法线时相同的点对应关系,以避免重复最近邻搜索。

向上滑动阅览

// Input point cloud

pcl::PointCloud<PointT> cloud;

// Fill cloud...

// Estimated and refined normals

pcl::PointCloud<NormalT> normals;

pcl::PointCloud<NormalT> normals_refined;

// Search parameters

const int k = 5;

std::vector<std::vector<int> > k_indices;

std::vector<std::vector<float> > k_sqr_distances;

// Run search

pcl::search::KdTree<pcl::PointXYZRGB> search;

search.setInputCloud (cloud.makeShared ());

search.nearestKSearch (cloud, std::vector<int> (), k, k_indices, k_sqr_distances);

// Use search results for normal estimation

pcl::NormalEstimation<PointT, NormalT> ne;

for (unsigned int i = 0; i < cloud.size (); ++i)

{

NormalT normal;

ne.computePointNormal (cloud, k_indices[i]

normal.normal_x, normal.normal_y, normal.normal_z, normal.curvature);

pcl::flipNormalTowardsViewpoint (cloud[i], cloud.sensor_origin_[0], cloud.sensor_origin_[1], cloud.sensor_origin_[2],

normal.normal_x, normal.normal_y, normal.normal_z);

normals.push_back (normal);

}

// Run refinement using search results

pcl::NormalRefinement<NormalT> nr (k_indices, k_sqr_distances);

nr.setInputCloud (normals.makeShared ());

nr.filter (normals_refined);

class pcl::PassThrough< PointT >

如果使用线结构光扫描的方式采集点云,必然物体沿z向分布较广,但x,y向的分布处于有限范围内。 此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。

向上滑动阅览

// 创建点云对象 指针

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);

// 原点云获取后进行滤波

pcl::PassThrough<pcl::PointXYZ> pass;// 创建滤波器对象

pass.setInputCloud (cloud);//设置输入点云

pass.setFilterFieldName ("z");//滤波字段名被设置为Z轴方向

pass.setFilterLimits (0.0, 1.0);//可接受的范围为(0.0,1.0)

//pass.setFilterLimitsNegative (true);//设置保留范围内 还是 过滤掉范围内

pass.filter (*cloud_filtered); //执行滤波,保存过滤结果在cloud_filtered

class pcl::ProjectInliers< PointT >

使用Point Cloud中的模型和一组inlier指数将它们投影到单独的PointCloud中。使用参数化模型投影点云,如何将点投影到一个参数化模型上(平面或者球体等),参数化模型通过一组参数来设定,对于平面来说使用其等式形式。在PCL中有特定存储常见模型系数的数据结构。

向上滑动阅览

#include <iostream>

#include <pcl/io/pcd_io.h>

#include <pcl/point_types.h>

#include <pcl/ModelCoefficients.h> //模型系数头文件

#include <pcl/filters/project_inliers.h>  //投影滤波类头文件

// 创建点云对象 指针

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_projected (new pcl::PointCloud<pcl::PointXYZ>);

// 源点云读取 获取 后

//随机创建点云并打印出来

cloud->width = 5;

cloud->height = 1;

cloud->points.resize (cloud->width * cloud->height);

for (size_t i = 0; i < cloud->points.size (); ++i)

{

cloud->points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);

cloud->points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);

cloud->points[i].z = 1024 * rand () / (RAND_MAX + 1.0f);

}

// 填充ModelCoefficients的值,使用ax+by+cz+d=0平面模型,其中 a=b=d=0,c=1 也就是X——Y平面

//定义模型系数对象,并填充对应的数据 创建投影滤波模型重会设置模型类型 pcl::SACMODEL_PLANE

pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients());

coefficients->values.resize (4);

coefficients->values[0] = coefficients->values[1] = 0;

coefficients->values[2] = 1.0;

coefficients->values[3] = 0;

// 创建投影滤波模型ProjectInliers对象,使用ModelCoefficients作为投影对象的模型参数

pcl::ProjectInliers<pcl::PointXYZ> proj; //创建投影滤波对象

proj.setModelType (pcl::SACMODEL_PLANE); //设置对象对应的投影模型  平面模型

proj.setInputCloud (cloud); //设置输入点云

proj.setModelCoefficients (coefficients); //设置模型对应的系数

proj.filter (*cloud_projected);   //投影结果存储

// 输出

std::cerr << "Cloud after projection: " << std::endl;

for (size_t i = 0; i < cloud_projected->points.size (); ++i)

std::cerr << " " << cloud_projected->points[i].x << " "

<< cloud_projected->points[i].y << " "

<< cloud_projected->points[i].z << std::endl;

class pcl::VoxelGrid< PointT >

如果使用高分辨率相机等设备对点云进行采集,往往点云会较为密集。 过多的点云数量会对后续分割工作带来困难。体素格滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。点云几何结构 不仅是宏观的几何外形,也包括其微观的排列方式,比如横向相似的尺寸,纵向相同的距离。 随机下采样虽然效率比体素滤波器高,但会破坏点云微观结构.

使用体素化网格方法实现下采样,即减少点的数量 减少点云数据,并同时保存点云的形状特征,在提高配准,曲面重建,形状识别等算法速度中非常实用,PCL是实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格,容纳后每个体素内用体素中所有点的重心来近似显示体素中其他点,这样该体素内所有点都用一个重心点最终表示,对于所有体素处理后得到的过滤后的点云, 这种方法比用体素中心(注意中心和重心)逼近的方法更慢,但是对于采样点对应曲面的表示更为准确。

向上滑动阅览

// 创建点云对象 指针

pcl::PCLPointCloud2::Ptr cloud (new pcl::PCLPointCloud2 ());

pcl::PCLPointCloud2::Ptr cloud_filtered (new pcl::PCLPointCloud2 ());

// 源点云读取 获取 后

pcl::VoxelGrid<pcl::PCLPointCloud2> sor; //创建滤波对象

sor.setInputCloud (cloud);     //设置需要过滤的点云(指针) 给滤波对象

sor.setLeafSize (0.01f, 0.01f, 0.01f);   //设置滤波时创建的体素体积为1cm的立方体

sor.filter (*cloud_filtered);   //执行滤波处理,存储输出

class pcl::VoxelGridOcclusionEstimation< PointT >

估计场景中的遮挡空间。具体查看论文:

John Amanatides and Andrew Woo, A Fast Voxel Traversal Algorithm for Ray Tracing

class pcl::StatisticalOutlierRemoval< PointT >

统计滤波器用于去除明显离群点(离群点往往由测量噪声引入)。其特征是在空间中分布稀疏,可以理解为:每个点都表达一定信息量,某个区域点越密集则可能信息量越大。噪声信息属于无用信息,信息量较小。所以离群点表达的信息可以忽略不计。考虑到离群点的特征,则可以定义某处点云小于某个密度,既点云无效。计算每个点到其最近的k(设定)个点平均距离。则点云中所有点的距离应构成高斯分布。给定均值与方差,可剔除n个∑之外的点

激光扫描通常会产生密度不均匀的点云数据集,另外测量中的误差也会产生稀疏的离群点,此时,估计局部点云特征(例如采样点处法向量或曲率变化率)时运算复杂,这会导致错误的数值,反过来就会导致点云配准等后期的处理失败。

解决办法:对每个点的邻域进行一个统计分析,并修剪掉一些不符合标准的点。具体方法为在输入数据中对点到临近点的距离分布的计算,对每一个点,计算它到所有临近点的平均距离(假设得到的结果是一个高斯分布,其形状是由均值和标准差决定),那么平均距离在标准范围之外的点,可以被定义为离群点并从数据中去除。

具体查看论文:

R. B. Rusu, Z. C. Marton, N. Blodow, M. Dolha, and M. Beetz. Towards 3D Point Cloud Based Object Maps for Household Environments Robotics and Autonomous Systems Journal (Special Issue on Semantic Knowledge), 2008.

向上滑动阅览

// 创建点云对象 指针

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);

// 创建滤波器,对每个点分析的临近点的个数设置为50 ,并将标准差的倍数设置为1 这意味着如果一个点的距离超出了平均距离一个标准差以上,则该点被标记为离群点,并将它移除,存储起来

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;//创建滤波器对象

sor.setInputCloud (cloud); //设置待滤波的点云

sor.setMeanK (50);  //设置在进行统计时考虑查询点临近点数

sor.setStddevMulThresh (1.0);  //设置判断是否为离群点的阀值

sor.filter (*cloud_filtered);  //存储

class pcl::ShadowPoints< PointT, NormalT >

去除出现在边缘不连续处的鬼点

class pcl::SamplingSurfaceNormal< PointT >

将输入空间划分为网格,直到每个网格包含最多N个点,并在每个网格内随机采样点,使用每个网格的N个点来计算法线。 在网格内采样的所有点都被赋予相同的法线。以上两个模块的代码来自于 libpointmatcher (https://github.com/ethz-asl/libpointmatcher)

class pcl::RandomSample< PointT >

具有均匀概率的随机采样类。具体可查看论文

Faster Methods for Random Sampling

向上滑动阅览

CentroidPoint<pcl::PointXYZ> centroid;

centroid.add (pcl::PointXYZ (1, 2, 3);

centroid.add (pcl::PointXYZ (5, 6, 7);

//这里是在centroid点集中加两个点

pcl::PointXYZ c1;

centroid.get (c1); //直接使用get函数获取该点集的在每个字段的均值

// 得到的结果是: c1.x == 3, c1.y == 4, c1.z == 5

// 我们也可以申明一个不一样字段的点云来存储结果

pcl::PointXYZRGB c2;

centroid.get (c2);

// 其中x,y,z字段的结果还是: c2.x == 3, c2.y == 4, c2.z == 5,

// 但是 c2.rgb 是不被触及的

class pcl::RadiusOutlierRemoval< PointT >

球半径滤波器与统计滤波器相比更加简单粗暴。以某点为中心 画一个球计算落在该球内的点的数量,当数量大于给定值时,则保留该点,数量小于给定值则剔除该点。此算法运行速度快,依序迭代留下的点一定是最密集的, 但是球的半径和球内点的数目都需要人工指定。

向上滑动阅览

/ 创建点云对象 指针

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);

// 源点云读取 获取 后

pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem; //创建滤波器

outrem.setInputCloud(cloud); //设置输入点云

outrem.setRadiusSearch(0.8); //设置半径为0.8的范围内找临近点

outrem.setMinNeighborsInRadius (2);//设置查询点的邻域点集数小于2的删除

// apply filter

outrem.filter (*cloud_filtered);//执行条件滤波 在半径为0.8 在此半径内必须要有两个邻居点,此点才会保存

以上就是滤波模块的主要内容,大家可以留言补充内容,并可以分享你的总结到群主邮箱dianyunpcl@163.com

原文发布于微信公众号 - 点云PCL(dianyunPCL)

原文发表时间:2018-12-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券