PCL中基础下采样介绍

基础下采样

1.1 点云随机下采样

点云下采样是对点云以一定的采样规则重新进行采样，目的是在保证点云整体几何特征不变的情况下，降低点云的密度，进而可以降低相关处理的数据量和算法复杂度。

随机下采样顾名思义，随机下采样就似乎在原始点云中随机采样一定点数的点。这种方法最终得到的点云数量也是固定的。

pcl::PointCloud< PointT >::Ptr cloud_sub(new pcl::PointCloud< PointT >);    //随机下采样点云
    pcl::RandomSample< PointT > rs;    //创建滤波器对象
    rs.setInputCloud(cloud);                //设置待滤波点云
    rs.setSample(20000);                    //设置下采样点云的点数
    //rs.setSeed(1);                        //设置随机函数种子点
    rs.filter(*cloud_sub);                    //执行下采样滤波，保存滤波结果于cloud_sub

1.2 体素下采样

体素下采样的原理如图1所示，首先将点云空间进行网格化，也称体素化，即图1(b)，网格化后的每一个格子称为体素，在这些划分为一个个极小的格子中包含一些点，然后对这些点取平均或加权平均得到一个点，以此来替代原来网格中所有的点，即图1(c)中蓝色的点。显然，网格选取越大则采样之后的点云越少，处理速度变快，但会对原先点云过度模糊，网格选取越小，则作用相反。

pcl::VoxelGrid< pcl::PointXYZ > sor;    //创建体素网格采样处理对象
 sor.setInputCloud(cloud);             //设置输入点云
 sor.setLeafSize(0.01f, 0.01f, 0.01f); //设置体素大小，单位：m
 sor.filter(*cloud_filtered);          //进行下采样

1.3 均匀采样

均匀采样的原理类似于体素化网格采样方法，同样是将点云空间进行划分，不过是以半径=r的球体，在当前球体所有点中选择距离球体中心最近的点替代所有点，注意，此时点的位置是不发生移动的。

球体半径选取越大则采样之后的点云越少，处理速度变快，但会对原先点云过度模糊，网格选取越小，则作用相反。

pcl::UniformSampling< pcl::PointXYZ > form;   // 创建均匀采样对象
form.setInputCloud(cloud);                  //设置输入点云
form.setRadiusSearch(0.02f);                //设置半径大小,单位:m
form.filter(*after_cloud);                  //执行滤波处理

1.4 增采样

增采样的特点是可极大的增加点云数据，但由于内插点的不确定性会导致最后输出的结果不一定准确。

//创建增采样对象
pcl::MovingLeastSquares< pcl::PointXYZ,pcl::PointXYZ > filter;    
filter.setInputCloud(cloud);                     //设置输入点云
pcl::search::KdTree< pcl::PointXYZ >::Ptr kdtree;  //定义搜索方法
filter.setSearchMethod(kdtree);                  //设置搜索方法
filter.setSearchRadius(0.03);    //设置搜索邻域的半径为3cm  
//Upsampling 采样的方法还有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
filter.setUpsamplingMethod(pcl::MovingLeastSquares< pcl::PointXYZ, pcl::PointXYZ >::SAMPLE_LOCAL_PLANE);     //对点云进行上采样
filter.setUpsamplingRadius(0.03);    //设置采样半径大小，3cm
filter.setUpsamplingStepSize(0.02);  //设置采样步长大小，2cm
filter.process(*after_cloud);      //执行采样操作

1.5 滑动最小二乘法采样

滑动最小二乘法采样的原理是将点云进行了滑动最小二乘法的映射，使得输出的点云更加平滑。

pcl::PointCloud< pcl::PointNormal >::Ptr smoothedCloud(new pcl::PointCloud< pcl::PointNormal >);   //定义法线
pcl::MovingLeastSquares< pcl::PointXYZ, pcl::PointNormal > filter;
pcl::search::KdTree< pcl::PointXYZ >::Ptr kdtree;  //定义搜索方法
filter.setInputCloud(cloud);    //设置输入点云
filter.setUpsamplingMethod();  //增加密度较小区域的密度对于holes的填补却无能为力，具体方法要结合参数使用
filter.setSearchRadius(10);// 用于拟合的K近邻半径。在这个半径里进行表面映射和曲面拟合。半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。
filter.setPolynomialFit(true);  //对于法线的估计是有多项式还是仅仅依靠切线。true为加多项式；false不加，速度较快
filter.setPolynomialFit(3);      // 拟合曲线的阶数
filter.setComputeNormals(true);  // 是否存储点云的法向量，true 为存储，false 不存储
filter.setSearchMethod(kdtree); //设置搜索方法
filter.process(*smoothedCloud); //处理点云并输出