【CloudCompare】——1点云的法向量添加

路明呦呦

已于 2024-11-05 12:10:48 修改

阅读量2.7k

点赞数 69

CC 4.0 BY-SA版权

分类专栏：点云 Cloud Compare PCL学习文章标签：点云 CloudCompare 点云处理

于 2024-10-31 00:15:00 首次发布

本文链接：https://blog.csdn.net/weixin_44347687/article/details/143324074

点云同时被 3 个专栏收录

6 篇文章

订阅专栏

PCL学习

4 篇文章

订阅专栏

Cloud Compare

2 篇文章

订阅专栏

点云特征介绍

点云的法向量是指在点云数据中的每个点处，与该点相关联的法向方向。法向量通常用于表示点云中点的朝向或表面的法向信息。在点云中，法向量可以用来描述点云表面的法向特性，例如点云表面的平面、曲率和法向变化等。

点云的法向量通常是一个3维向量，表示点在三个坐标轴方向上的法向分量，即(x, y, z)
方向上的法向量分量。通常情况下，点云法向量的长度（模）为1，表示法向量的单位长度。法向量的方向指向了点云表面的外侧。

点云的法向量可以通过多种方法计算得到，例如最近邻搜索、曲率计算、法向估计算法等。计算得到的法向量可以在许多点云处理任务中发挥重要作用，例如点云分割、物体识别、表面重建等。

点云数据通常以文本文件（例如.txt文件）的形式保存，每行包含一组数字，这些数字代表了点云中的不同属性。通常，每个数字在点云数据中对应于以下一些属性：

三维坐标：点云数据中的点通常由三维坐标表示，分别表示点在X、Y、Z轴上的位置。

法向量：点云数据中的法向量通常表示点的法向信息，用于表示点云表面的朝向或法线方向。

颜色信息：点云数据中的颜色信息通常表示点的RGB或RGBA颜色值，用于表示点的颜色。

反射强度：点云数据中的反射强度通常表示从点云返回的激光反射信号的强度，用于表示点的反射属性。

附加属性：点云数据中可能包含其他附加属性，如曲率、法向量的置信度、分类标签等，根据具体的应用需求。

1 CloudCompare实现添加法向量

通过菜单栏的编辑> 法向量> 计算找到该功能。

在这里插入图片描述

2 设置相关参数：

在这里插入图片描述

如果进行计算的实体对象是点云，那么需要设置以下几个参数：

local surface model:选择使用最小二乘拟合平面、二次曲面拟合或三角网。
Neighbors->Octree->radius:局部球体邻域的半径。如果设置的太小(即没有足够的点来计算局部模型)，那么法线值将默认为(0,0,1)。如果设置的太大，计算的过程可能会很长，结果会很平滑。
Orientation：让用户指定一个简单的启发式来设置法线方向(最好是在表面之外)。
Orientation->Use preferred orientation ：使用如下方式设置点云法线的朝向（+Z与Z轴正方向同向）
Orientation->Use minimum Spanning Tree ：使用最小代价生成树调整点云法线的朝向

注意:
如果没有指定首选方向，或者结果仍然不一致，可能需要使用更高级的算法——‘Normals > Orient Normals >With Minimum Spanning Tree’，来确定法线的方向。

在任何情况下，都可能需要使用invert方法对法线字段进行全局反转。
在这里插入图片描述

2.点云法线计算结果

法线实体的外观变化取决于光线相对于法线的方向:

对于点云来说，法线向后的点呈现黑色。

在这里插入图片描述

保存成txt格式，打开则可以看到在原来XYZ坐标后边多了法向量的值。
在这里插入图片描述
保存成pcd格式，使用PCL进行法向量可视化。

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

using namespace std;

int
main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud(new pcl::PointCloud<pcl::PointNormal>);

    if (pcl::io::loadPCDFile<pcl::PointNormal>("bunny.pcd", *cloud) == -1)
    {
        PCL_ERROR("Could not read file\n");
    }
    //---------------------可视化（含法线）-----------------------------
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("CloudCompare-XYZNormal viewer"));
    viewer->setWindowName("CloudCompare-XYZNormal");
    viewer->addText("CloudCompare-PointNormal", 50, 50, 0, 1, 0, "v1_text");
    viewer->addPointCloud<pcl::PointNormal>(cloud, "CloudCompare-XYZNormal");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "CloudCompare-XYZNormal");
    viewer->addPointCloudNormals<pcl::PointNormal>(cloud, 20, 0.02, "normals");

    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

在这里插入图片描述

4.反转法线方向(Normals > Invert)

该工具用来反转所选实体的法线。可以通过Edit > Normals > Invert菜单访问。
法线实体的外观变化取决于光线相对于法线的方向:

对于点云来说，法线向后的点呈现黑色。
对于一个网格(使用默认材质)，后向发光的三角形出现在浅蓝色(而前向发光的三角形是绿色)
反转点云的法线方向

在这里插入图片描述
使用PCL可视化

5. With Minimum Spanning Tree

这个工具可以通过’Edit > Normals > Orient normals > with Minimum Spanning Tree’菜单访问。
这种方法试图以一致的方式重新定位云的所有法线。它从一个随机的点开始，然后从一个邻居传播到另一个。传播是在最小生成树的帮助下完成的。因此，用户必须指定每个节点上连接的邻居的最大数量(邻居越多，就越准确，但也需要更多的内存和更多的时间)。
在这里插入图片描述

6.With Fast Marching

这个工具可以通过Edit > Normals > Orient normals > with Fast Marching菜单访问。这种方法试图以一致的方式重新定位云的所有法线。它从一个随机的点开始，然后从一个邻居传播到另一个。传播是通过应用于网格的Fast Marching算法完成的。实际上，这个网格是点云的八叉树，被认为是一个给定的细分级别。因此，用户必须指定此细分级别。问题是找到正确的水平:如果体素分辨率太大(即低水平的细分)，传播不是很准确。然而，如果体素分辨率太小(即高水平的细分)，可能出现空体素，传播在一次扫描中完成是不可能。
注意：这种方法很快，效率极高。但是不推荐用。