- 博客(59)
- 收藏
- 关注
RSS订阅原创 交互式 ICP（Iterative Closest Point，迭代最近点）配准
/ PCL 相关头文件：读写点云、ICP 算法、可视化、计时等// 简化类型名：点用 XYZ 坐标，点云是这些点的集合// 全局变量：标记是否触发下一次 ICP 迭代头文件：引入 PCL 库的功能，比如读.ply文件、跑 ICP、可视化点云。类型别名PointT代表单个点（存 x,y,z），代表点云（存一堆PointT全局变量用来标记 “用户是否按了空格键，要执行下一次 ICP 迭代”。
2025-08-06 17:44:50
775
原创 点云逐步配准（Iterative Closest Point - ICP 应用）
public:} // 用 4 维特征（x,y,z,曲率）// 把点的信息，复制到 float 数组（供 ICP 算法用）// x 坐标// y 坐标// z 坐标// 曲率（点云表面弯曲程度，辅助配准）作用：默认 ICP 只用点的 x,y,z 坐标配准。这里加入 “曲率”，让算法更 “聪明”—— 不仅看位置，还看表面形状，提升配准精度。
2025-08-05 23:33:48
587
原创 迭代最近点（ICP）算法
ICP 算法到底用来做什么？简单说：当我们有两组 “点云”（可以理解为三维空间中一堆点的集合，比如用激光雷达扫描一个物体得到的点），如果这两组点云其实是同一个物体的不同视角（或经过了平移、旋转），ICP 算法能帮我们找到一个 “刚性变换”（只平移 + 旋转，不拉伸 / 变形），让两组点云尽可能重合。比如：你扫描了一个杯子，第一次扫的时候杯子在左边，第二次扫的时候杯子向右移了一点 ——ICP 就能算出 “向右移了多少”，让两次的点云对齐。生成了一组随机点云（cloud_in。
2025-08-05 17:57:58
947
原创 PCL 配准（Registration）模块
流程：数据采集 → 关键点 → 描述子 → 找对应 → 剔错误 → 算变换；价值：把局部点云拼成全局模型，支撑更高层的 3D 处理任务；灵活度：每个步骤都有多种算法可选，根据场景（比如点云密度、纹理、计算资源）调整。理解这套流程后，你就可以用 PCL 的配准模块，解决 “多视角点云合并” 的问题啦～ 实际使用时，记得根据数据特点选合适的关键点、描述子算法（比如 NARF 适合深度图像，FPFH 适合几何特征明显的场景）。Ps.内容源自pcl官方文档本文为基于 PCL 官方文档的学习整理与个人理解。
2025-08-05 17:25:13
611
原创 如何从深度图像（Range Image）中提取 NARF 关键点
数据准备：加载或生成 3D 点云；转深度图像：把点云转成深度图像，方便提取特征；提取关键点：用 NARF 算法，结合深度图像的边界信息，找到关键点；可视化验证：在 3D 和深度图像视图里看结果，调试参数。理解这套流程后，你就可以用 NARF 关键点，为后续的点云处理任务（配准、识别等）打基础啦～ 遇到问题时，记得调整（角度分辨率）、（支持区域大小）等参数，看看关键点提取效果的变化～
2025-08-05 16:50:45
758
原创 可视化模块（Visualization）
把抽象的 3D 点云数据、算法结果，变成直观的图像 / 图表，降低理解成本；让你快速验证算法是否正确，避免 “盲目调参”；支持从基础显示到高级分析（直方图、颜色映射、深度图像）的全流程可视化需求。简单说，如果你想 “看得见” 自己处理的点云数据和算法效果，可视化模块就是 PCL 里的 “眼睛”，一定要好好用起来～Ps.pcl官方文档。
2025-08-05 15:59:01
929
原创 内置画图工具PCLPlotter
自动配色如果调用时没指定颜色，PCLPlotter会用默认的配色方案（如，包含 7 种光谱色）。可通过// 换成“暖色调”配色换配色要在之前调用，否则不生效。自定义颜色调用// 曲线用红色（RGB:255,0,0）可以自己写一个函数，表示y = f(x)，然后传给PCLPlotter// 定义函数：y = x（恒等函数）return val;// 添加到 Plotter，x 范围 [-10, 10]适合 “函数复杂，无法用多项式表示” 的场景（如分段函数、含条件判断的函数）。在调用。
2025-08-05 15:46:24
788
原创 PCLVisualizer
/ 1. 创建可视化器// 2. 创建“自定义颜色处理器”：所有点设为绿色（0,255,0）// 3. 添加点云时，指定颜色处理器// 4. 设置点大小（3个单位）效果：整个点云变成绿色（不管点云本身有没有颜色）。关键逻辑：强制给点云设置统一颜色；适合 “单色点云”（比如区分不同的点云集群）。// 1. 创建可视化器// 2. 注册回调函数：处理键盘、鼠标事件// 键盘事件回调// 按 'r' 时，删除所有文字++i) {
2025-08-05 15:15:54
1026
原创 深度图像（Range Image）可视化
include <pcl/range_image/range_image.h> // 深度图像相关#include <pcl/io/pcd_io.h> // 加载PCD点云文件#include <pcl/visualization/range_image_visualizer.h> // 2D深度图像可视化#include <pcl/visualization/pcl_visualizer.h> // 3D点云可视化。
2025-08-05 01:27:09
428
原创 CloudViewer
简单说，是 PCL（点云库）提供的“轻量级点云可视化工具”，目的是让你用最少的代码，快速把点云显示出来。优点：用法简单，几行代码就能实现可视化；缺点：不支持多线程（线程不安全），如果需要在多线程程序中用，得用更强大的（后面会提到）。内部其实是用实现的，但它运行在单独的线程中。如果想自定义可视化效果（比如改背景色、加点图形、动态更新文字），不能直接操作，必须用“回调函数”。回调函数就像 “钩子”，会在可视化线程中被自动调用，避免多线程冲突。
2025-08-05 01:12:32
435
原创 3D 物体识别中的假设验证（Hypothesis Verification）
这段代码实现了“3D 物体识别 + 假设验证”预处理：加载点云、算法线、提关键点；特征匹配：用 SHOT 描述子 + KdTree 找对应关系；聚类分组：用霍夫或几何一致性算法，得到物体假设位姿；位姿细化：用 ICP 优化位姿；假设验证：用全局验证算法过滤误报；可视化：直观展示识别结果。可以把它理解成 “3D 版的物体识别 pipeline”：从杂乱场景中找模型、验证并可视化，适合理解 3D 识别的完整流程～Ps.pcl官方文档。
2025-08-05 01:00:10
1065
原创 隐式形状模型（Implicit Shape Model, ISM）
ISM 算法的核心是“用训练好的‘几何特征模式’，在新点云中投票找物体中心”。加载训练点云，计算法线、特征，训练模型；加载测试点云，用模型投票、找峰值，预测物体中心；可视化结果。可以把它理解成 “3D 版的模板匹配”：先学模板的特征模式，再在新场景中找匹配的模式，确定物体位置～
2025-08-04 22:14:23
975
原创 基于对应关系分组（Correspondence Grouping）的 3D 目标识别
这段代码是一个完整的3D 目标识别 pipeline“通过关键点 → 描述子 → 对应关系 → 聚类”，从场景中找到已知模型的实例，并计算其位姿。可以把它理解成 “3D 版的物体识别”：先提取特征，再匹配特征，最后通过几何约束聚类，确定物体的位置和姿态。你可以用不同的模型和场景点云测试，调整参数（比如采样半径、描述子半径），看看识别效果的变化～
2025-08-04 21:16:08
233
原创 使用 `ModelOutlierRemoval` 过滤点云
用已知的几何模型参数（比如球面的球心、半径），从混合点云中筛选出符合该模型的点。构造混合点云（噪声 + 目标模型点）→ 2. 定义模型参数 → 3. 用过滤 → 4. 输出结果。你可以把它理解成 “按模型筛点” 的工具，除了球面（），还支持平面（）、圆柱（）等模型。只要你知道模型的参数（比如平面的法向量、圆柱的轴和半径），就能用它筛选出对应模型的点，过滤掉噪声或其他模型的点～Ps.要是还有细节不懂（比如球面点生成的数学原理），可以去看看pcl官方文档里的参考链接。
2025-08-04 17:32:09
561
原创 使用渐进形态学滤波（Progressive Morphological Filter）分割地面点云
这段代码的核心就是用渐进形态学滤波，把点云里的地面和非地面点分开。读入原始点云 → 2. 用形态学滤波找地面点索引 → 3. 提取地面点和非地面点 → 4. 保存并可视化。你可以把它理解成 “给点云‘挑出地面’的筛子”，通过调整参数（比如窗口大小、坡度、高度阈值），适配不同的场景（比如城市、山地）。如果处理自己的数据，记得替换为你实际的点云文件路径，再根据效果微调参数就行啦～Ps.pcl官方文档。
2025-08-04 17:15:27
593
原创 点云超体素聚类（Supervoxel Clustering）
/ VTK 用于绘制连线// 类型定义（简化代码）作用：引入必要的库（IO、可视化、超体素聚类等），定义点云类型（简化代码）。算法思想：用 “区域生长” 生成超体素，融合空间、颜色、法向量信息，贴合物体边界。关键参数：体素大小、种子间距、颜色 / 空间 / 法向量权重，决定超体素的形状和分布。适用场景：点云分割、识别的预处理，减少计算量，提升算法效率。如果想更深入，建议修改参数（如权重、分辨率），观察超体素的变化，或者尝试处理自己的点云数据～Ps.pcl官方文档。
2025-08-04 16:40:09
648
原创 条件欧几里得聚类（Conditional Euclidean Clustering）
核心思想和普通 “区域生长” 类似（从一个点开始，不断合并邻居点），但合并的条件由你写的函数决定。基础流程从一个点开始，找它的邻居点（基于欧氏距离）；用你写的条件函数判断：邻居点是否满足 “合并条件”；满足条件就合并，继续以新点为种子生长，直到没有新点能合并。条件函数的作用你可以在函数里写任何逻辑（比如判断颜色、法向量、强度等），决定两个点是否该合并。只要函数返回true，就会合并；返回false，就不合并（但可能通过其他点间接合并）。// 输入点类型（带强度）
2025-08-04 03:48:40
971
原创 基于最小割（Min-Cut）的点云分割
算法思想：构建包含 “点、源点、汇点” 的图，用 “最小割” 划分前景（源点侧）和背景（汇点侧）。关键参数：：目标中心，决定算法分割的 “参考位置”；sigma：控制相邻点的平滑约束；radius：控制背景惩罚的范围；：控制图的复杂度和分割细腻度；：控制前景的 “优先级”。适用场景：已知目标物体大致中心和半径时，快速分割出目标点云（比如从场景中分割特定物体）。如果想更深入，建议换不同的点云文件测试，或者调整参数观察效果变化。Ps.pcl官方文档。
2025-08-03 21:17:20
802
原创 基于颜色的区域生长分割
算法思想：用颜色差异代替法向量，分割后自动合并颜色相近或点数太少的区域，减少过分割 / 欠分割。关键参数：：控制 “邻居搜索范围”；：控制基础分割的 “颜色严格度”；：控制合并阶段的 “颜色宽容度”；：控制 “小区域是否合并”。适用场景：彩色点云（比如 RGB-D 相机数据），想按颜色区分物体 / 表面时特别好用。如果想更深入，建议换不同的彩色点云文件测试，或者调整参数观察效果变化，这样理解会更深刻～Ps.pcl官方文档。
2025-08-03 20:54:00
949
原创 区域生长分割
区域生长的思想：从平坦点开始，用 “法向量夹角 + 曲率” 约束，合并成光滑区域。关键步骤：计算法向量 → 配置生长参数（阈值、区域大小）→ 执行分割 → 可视化。参数调试（法向量夹角）和（曲率）直接影响分割结果，需根据数据调整。如果想更深入，可以试试换不同的点云文件，或者调整参数看效果变化，这样理解会更透彻～Ps.pcl官方文档。
2025-08-03 16:50:57
770
原创 圆柱模型分割
圆柱分割的核心是带法向量的 RANSAC 算法，结合分步分割（先平面、后圆柱 ）处理多结构点云。加载点云 → 直通滤波 → 法向量估计 → 平面分割 + 保存 → 移除平面点 → 圆柱分割 + 保存带法向量的分割更准确，适合平面、圆柱等模型；分步分割（先平面后圆柱 ）能有效处理多结构点云；参数（如半径范围、距离阈值 ）需根据实际物体调整，影响分割效果。可以试着调整或，观察圆柱分割的结果变化；或换其他点云（含圆柱结构 ），感受算法的适用性～
2025-08-02 20:13:24
854
原创 平面模型分割
平面分割的核心是用 RANSAC 算法稳健拟合平面模型，区分内点（平面上的点 ）和外点（噪声 ）。生成点云（含噪声 ） → 配置 RANSAC 分割参数 → 执行分割 → 输出平面方程和内点RANSAC 适合处理噪声多的场景，能有效找到平面；距离阈值决定内点的判断严格程度，需根据点云调整；平面方程参数可用于后续处理（如提取平面、计算位姿 ）。可以试着调整的值，观察内点数量的变化；或修改点云的外点数量，感受 RANSAC 的鲁棒性～Ps.pcl官方文档。
2025-08-02 19:46:01
921
原创 给无序点云拟合裁剪 B 样条（Trimmed B-splines）
B 样条拟合的核心是参数化表示 + 迭代优化，把无序点云转成光滑、可裁剪的曲面。加载点云 → 初始化 B 样条曲面（PCA ） → 细化 + 拟合曲面 → 初始化 + 拟合裁剪曲线 → 裁剪曲面三角剖分 → 保存 + 可视化B 样条的灵活性和参数化特点，适合表示复杂曲面；细化过程让曲面逐步逼近点云，避免直接高自由度拟合的不稳定；裁剪曲线用于保留点云对应的曲面区域，生成更实用的模型。可以试着调整参数（比如refinementiterations），观察曲面拟合的效果；
2025-08-02 17:28:24
994
原创 无序点云的快速三角剖分
贪心投影三角剖分的核心是局部邻域投影 + 贪心生长，把无序点云转成三角网格。加载点云 → 估计法向量 → 拼接坐标和法向量 → 配置三角剖分参数 → 执行剖分 → （可选：保存网格 ）法向量是三角剖分的重要输入，影响投影方向和邻域连接；参数（尤其是Mu、角度 ）会显著影响网格质量，需要根据点云调整；生成的三角网格可用于 3D 重建、可视化、物理仿真等后续任务。可以试着调整参数（比如），观察三角网格的变化；或换不同点云（比如自己扫描的点云 ），感受算法的适用性～Ps.pcl官方文档。
2025-08-02 16:17:13
991
原创 为平面模型构造凹包或凸包多边形
该代码实现了从点云数据中提取平面轮廓的功能。主要流程为：1) 加载点云并使用直通滤波去除背景噪声；2) 通过RANSAC算法分割平面，获取平面方程参数；3) 将平面点云投影到二维平面；4) 计算投影点的凹包轮廓。代码使用了PCL库的相关模块，包括点云滤波、平面分割、投影变换和凹包计算等关键技术。该方法适用于场景理解任务，如识别桌面等平面物体的轮廓形状，输出结果为描述平面边界的多边形点集。
2025-08-01 17:44:01
866
原创 基于多项式重构的平滑与法向量估计
移动最小二乘法（MLS）是一种用于点云平滑和重采样的技术，能够修复噪声误差、重建缺失表面并计算准确的法向量。其核心思想是通过局部多项式拟合，将噪声点拉回平滑表面，同时补全缺失区域。PCL库中的MLS实现包括加载点云、配置多项式阶数和搜索半径、执行处理及保存结果等步骤。关键参数如多项式阶数和搜索半径会影响平滑效果，需根据需求调整。处理后点云法向量更准确，有利于后续3D重建和分割任务。用户可通过调整参数观察平滑效果变化，优化处理结果。
2025-08-01 17:00:59
1040
原创 全局对齐空间分布（GASD）描述子
GASD（全局对齐空间分布）是一种用于物体识别和位姿估计的点云全局描述子。其核心流程包括：通过PCA计算参考坐标系（质心、协方差矩阵分解确定主方向），将点云对齐到标准坐标系以消除位姿影响；在对齐后的点云中，通过网格划分统计空间分布（形状）和颜色分布（HSV色调直方图）生成描述子。PCL提供两类实现：仅形状描述（512维）和形状+颜色描述（984维）。匹配描述子后，可利用对齐变换矩阵计算物体粗位姿，并通过ICP进行精修。该方法通过坐标对齐实现位姿不变性，适用于单视角点云的物体识别任务。
2025-08-01 16:05:39
1010
原创 RoPs（旋转投影统计 ）特征
RoPs（旋转投影统计）是一种用于3D点云局部几何特征提取的方法。它通过建立局部参考系(LRF)消除旋转影响，采用旋转投影和统计矩分析来生成特征描述子。核心步骤包括：裁剪局部点云、计算LRF、对齐表面、多角度旋转投影，并统计投影点分布的矩和熵。该方法适用于物体识别和点云匹配任务。代码实现包含点云加载、参数设置（支持半径、分箱数、旋转次数）和特征计算三个主要部分，通过PCL库的ROPSEstimation类完成特征提取。
2025-07-31 18:00:45
923
原创 基于惯性矩和偏心率的描述子
摘要 本文介绍了基于PCL库的点云几何特征分析方法，重点讲解了惯性矩和偏心率的计算原理及实现。通过pcl::MomentOfInertiaEstimation类可计算点云的惯性矩（反映点云分布）、偏心率（描述形状伸展程度）等描述子，并提取轴对齐包围盒(AABB)和有向包围盒(OBB)。核心算法基于协方差矩阵的特征分解，获取特征向量作为主方向，使描述子具有旋转不变性。代码实现包括点云加载、特征计算、结果提取和可视化四个步骤，最终可直观展示点云的主方向向量和两种包围盒。
2025-07-31 17:08:41
811
原创 从深度图像提取 NARF 特征
本文介绍了使用PCL库从深度图像中提取NARF特征的方法。NARF特征是一种用于3D点云的特征描述子，可用于物体识别和位姿估计。代码首先将点云转换为深度图像，然后通过边界提取器识别关键点，并计算旋转不变的特征描述子。整个过程包括参数设置、点云加载、深度图像生成、关键点检测和特征提取等步骤，最后通过可视化展示关键点和特征。该方法支持自定义角度分辨率、坐标系等参数，适用于各种3D点云处理任务。
2025-07-31 13:45:33
844
原创 视点特征直方图（VFH）描述子
视点特征直方图（VFH）是一种用于物体识别和6DOF位姿估计的全局点云特征。它基于FPFH改进，通过融合视点方向组件（相机到物体中心的夹角直方图）和表面形状组件（扩展FPFH的几何特征）来描述物体整体特性。PCL中通过VFHEstimation类实现，需预先计算法线，输出308维特征向量。相比局部特征，VFH对单物体点云仅生成一个特征，兼具几何形状和视角敏感性，适用于完整物体的识别与位姿分析。使用时需确保输入点云包含完整物体信息，结果可通过PCL可视化工具呈现直方图。
2025-07-31 13:11:11
805
原创 快速点特征直方图（FPFH）描述子
FPFH（快速点特征直方图）是PFH的高效简化版本，通过两步计算将复杂度从O(nk²)降至O(nk)。首先计算查询点与其邻域的SPFH（简化点特征直方图），然后加权融合邻域点SPFH得到最终FPFH。PCL中通过FPFHEstimation类实现，需要预先计算法线并设置合适的邻域半径。相比PFH，FPFH虽然覆盖范围略广但计算更快，适合实时应用。多线程版本FPFHEstimationOMP可进一步提升计算速度。该方法在保留几何特征区分能力的同时显著提高了计算效率。
2025-07-30 22:51:54
659
原创 点特征直方图（PFH）描述子
摘要：点特征直方图（PFH）是一种用于描述点云局部几何特征的高维直方图方法，相较于表面法线和曲率等基础特征具有更强的区分能力。PFH通过统计查询点邻域内所有点对及其法线间的关系（包括三个角度特征α、φ、θ和距离d），构建125维直方图（5个区间×3个特征）。PCL中通过PFHEstimation类实现该功能，计算前需先估计点云法线，并合理设置邻域搜索半径。该方法对6D位姿具有不变性，能有效应对不同采样密度和噪声，适用于点云识别、匹配等任务。关键参数包括邻域半径和特征区间数，需根据实际场景调整优化。
2025-07-30 22:02:54
920
原创 使用积分图像进行法线估计
该代码演示了使用积分图像方法快速估计有组织点云的法线。通过加载点云数据，利用PCL库的IntegralImageNormalEstimation类，采用AVERAGE_3D_GRADIENT方法计算法线，并设置深度变化阈值和平滑窗口参数。最后将带有法线的点云可视化展示。这种方法利用积分图像预先计算邻域信息，显著提高了法线计算效率，特别适合处理规则排列的点云数据。代码完整展示了从加载、计算到可视化的全流程。
2025-07-30 19:43:47
924
原创 点云表面法线估计
本文介绍了PCL中点云表面法线估计的原理与实现。通过分析查询点的k邻域构建协方差矩阵，利用PCA获取最小特征值对应的特征向量作为法线方向，并解决法线符号歧义问题。关键参数是邻域范围的选择，需在细节保留和抗噪性间权衡。PCL提供NormalEstimation类实现法线估计，支持半径搜索、视点调整等功能，还能通过NormalEstimationOMP进行多线程加速。文章强调实际应用中需根据场景调整参数，建议通过修改搜索半径值观察不同尺度下的法线估计效果。
2025-07-30 17:47:02
924
原创 如何在点云中提取能代表局部几何特征的描述符
本文介绍了PCL中点云3D特征估计的基本原理与实现方法。主要内容包括：1）点云局部描述符的作用，通过结合邻域信息区分不同几何表面；2）PCL特征估计的四种输入数据传递方式，包括处理全部点、部分点及使用不同搜索表面等场景；3）法线估计的具体实现示例，展示了如何设置搜索半径、索引列表和搜索表面等参数。这些方法解决了单纯依赖坐标点无法区分表面特征的问题，为点云处理提供了更丰富的几何信息。
2025-07-30 17:10:02
938
原创 使用 `ConditionalRemoval` 和 `RadiusOutlierRemoval` 滤波器去除离群点
本文介绍了使用PCL库中两种滤波器去除点云离群点的方法。RadiusOutlierRemoval通过设定半径范围和最小邻居数，移除周围点密度不足的离群点；ConditionalRemoval则支持自定义条件（如坐标范围）进行灵活过滤。文章详细解析了代码实现，包括点云初始化、命令行参数处理以及两种滤波器的具体应用场景。通过比较滤波前后的点云数据，展示了滤波器对离群点的有效处理能力。
2025-07-30 16:07:59
622
原创 根据索引提取点云子集
本文介绍了点云处理中根据索引提取子集的关键操作，重点讲解了ExtractIndices滤波器的使用。主要内容包括：1)通过体素网格下采样预处理点云；2)使用RANSAC算法分割平面并获取点索引；3)利用ExtractIndices提取平面点集；4)循环处理直到剩余点少于30%。代码解析部分详细说明了各功能模块的实现，包括点云加载、下采样、平面分割和索引提取等关键步骤。该技术可用于从复杂场景中精确提取特定几何特征的点集。
2025-07-29 20:23:35
694
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人