首页 > 其他分享 >【PCL】Segmentation 模块—— 圆柱模型分割（Cylinder model segmentation）

【PCL】Segmentation 模块—— 圆柱模型分割（Cylinder model segmentation）

时间：2025-01-17 10:57:41浏览次数：3  
标签：法线 segmentation PCL 模型 Cylinder seg pcl 圆柱体 cloud

1、简介

PCL（Point Cloud Library）中的圆柱模型分割Cylinder Model Segmentation是一种从点云数据中提取圆柱体模型的技术。它通过识别点云中符合圆柱体几何形状的部分，将圆柱体从其他几何形状中分离出来。

1.1 主要步骤

  1. 预处理：

    • 对点云进行去噪、下采样等操作，以减少数据量并提升处理效率。

  2. 法线估计：

    • 计算点云中每个点的法线，用于后续的模型拟合。

  3. 模型拟合：

    • 使用RANSAC（随机采样一致性）算法拟合圆柱体模型。RANSAC通过随机采样点来估计模型参数，并评估其与点云的拟合程度。

  4. 分割：

    • 根据拟合的圆柱体模型，将点云中符合该模型的内点（inliers）与不符合的外点（outliers）分离。

  5. 后处理：

    • 对分割结果进行优化，如去除噪声或进一步细化圆柱体参数。

1.2 应用场景

  • 工业检测：识别管道、圆柱形零件等。
  • 机器人：用于导航和物体抓取。
  • 建筑建模：提取建筑物中的圆柱形结构。

2、代码实现

代码为圆柱形模型运行一个样本共识分割，由于数据中存在噪声，圆柱模型并不完美。为了使示例更实际一些，将以下操作应用于输入数据集（按顺序）：

  • 距离大于1.5米的数据点被过滤

  • 估计每个点的表面法线

  • 一个平面模型（描述我们演示数据集中的表）被分割并保存到磁盘上

  • 一个圆柱形模型（在我们的演示数据集中描述杯子）被分割并保存到磁盘上

2.1 cylinder_segmentation.cpp

#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/passthrough.h>
#include <pcl/features/normal_3d.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>

typedef pcl::PointXYZ PointT;

int
main ()
{
  // All the objects needed
  pcl::PCDReader reader;
  pcl::PassThrough<PointT> pass;
  pcl::NormalEstimation<PointT, pcl::Normal> ne;
  pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg; 
  pcl::PCDWriter writer;
  pcl::ExtractIndices<PointT> extract;
  pcl::ExtractIndices<pcl::Normal> extract_normals;
  pcl::search::KdTree<PointT>::Ptr tree (new pcl::search::KdTree<PointT> ());

  // Datasets
  pcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PointT>);
  pcl::PointCloud<PointT>::Ptr cloud_filtered (new pcl::PointCloud<PointT>);
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
  pcl::PointCloud<PointT>::Ptr cloud_filtered2 (new pcl::PointCloud<PointT>);
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals2 (new pcl::PointCloud<pcl::Normal>);
  pcl::ModelCoefficients::Ptr coefficients_plane (new pcl::ModelCoefficients), coefficients_cylinder (new pcl::ModelCoefficients);
  pcl::PointIndices::Ptr inliers_plane (new pcl::PointIndices), inliers_cylinder (new pcl::PointIndices);

  // Read in the cloud data
  reader.read ("table_scene_mug_stereo_textured.pcd", *cloud);
  std::cerr << "PointCloud has: " << cloud->size () << " data points." << std::endl;

  // Build a passthrough filter to remove spurious NaNs and scene background
  //使用直通滤波器沿Z轴裁剪点云，保留Z值在`[0, 1.5]`范围内的点
  pass.setInputCloud (cloud);
  pass.setFilterFieldName ("z");
  pass.setFilterLimits (0, 1.5);
  pass.filter (*cloud_filtered);
  std::cerr << "PointCloud after filtering has: " << cloud_filtered->size () << " data points." << std::endl;

  // Estimate point normals 法线估计
  // 使用KdTree搜索方法，对滤波后的点云进行法线估计，每个点的法线基于其最近的50个邻居计算。
  ne.setSearchMethod (tree);
  ne.setInputCloud (cloud_filtered);
  ne.setKSearch (50);
  ne.compute (*cloud_normals);

  // Create the segmentation object for the planar model and set all the parameters
  // 平面分割
  seg.setOptimizeCoefficients (true);
  seg.setModelType (pcl::SACMODEL_NORMAL_PLANE);
  seg.setNormalDistanceWeight (0.1);
  seg.setMethodType (pcl::SAC_RANSAC);
  seg.setMaxIterations (100);
  seg.setDistanceThreshold (0.03);
  seg.setInputCloud (cloud_filtered);
  seg.setInputNormals (cloud_normals);
  // Obtain the plane inliers and coefficients
  // 使用RANSAC算法拟合平面模型，并输出平面方程的系数
  seg.segment (*inliers_plane, *coefficients_plane);
  std::cerr << "Plane coefficients: " << *coefficients_plane << std::endl;

  // Extract the planar inliers from the input cloud 提取平面点云
  extract.setInputCloud (cloud_filtered);
  extract.setIndices (inliers_plane);
  extract.setNegative (false);

  // Write the planar inliers to disk 
  // 提取平面点云并保存到PCD文件
  pcl::PointCloud<PointT>::Ptr cloud_plane (new pcl::PointCloud<PointT> ());
  extract.filter (*cloud_plane);
  std::cerr << "PointCloud representing the planar component: " << cloud_plane->size () << " data points." << std::endl;
  writer.write ("table_scene_mug_stereo_textured_plane.pcd", *cloud_plane, false);

  // Remove the planar inliers, extract the rest 去除平面点云
  extract.setNegative (true);
  extract.filter (*cloud_filtered2);
  extract_normals.setNegative (true);
  extract_normals.setInputCloud (cloud_normals);
  extract_normals.setIndices (inliers_plane);
  extract_normals.filter (*cloud_normals2);

  // Create the segmentation object for cylinder segmentation and set all the parameters
  // 圆柱体分割
  seg.setOptimizeCoefficients (true);
  seg.setModelType (pcl::SACMODEL_CYLINDER);
  seg.setMethodType (pcl::SAC_RANSAC);
  seg.setNormalDistanceWeight (0.1);
  seg.setMaxIterations (10000);
  seg.setDistanceThreshold (0.05);
  seg.setRadiusLimits (0, 0.1);
  seg.setInputCloud (cloud_filtered2);
  seg.setInputNormals (cloud_normals2);

  // Obtain the cylinder inliers and coefficients 
  // 使用RANSAC算法拟合圆柱体模型，并输出圆柱体的参数
  seg.segment (*inliers_cylinder, *coefficients_cylinder);
  std::cerr << "Cylinder coefficients: " << *coefficients_cylinder << std::endl;

  // Write the cylinder inliers to disk 
  // 提取圆柱体点云并保存到PCD文件
  extract.setInputCloud (cloud_filtered2);
  extract.setIndices (inliers_cylinder);
  extract.setNegative (false);
  pcl::PointCloud<PointT>::Ptr cloud_cylinder (new pcl::PointCloud<PointT> ());
  extract.filter (*cloud_cylinder);
  if (cloud_cylinder->points.empty ()) 
    std::cerr << "Can't find the cylindrical component." << std::endl;
  else
  {
	  std::cerr << "PointCloud representing the cylindrical component: " << cloud_cylinder->size () << " data points." << std::endl;
	  writer.write ("table_scene_mug_stereo_textured_cylinder.pcd", *cloud_cylinder, false);
  }
  return (0);
}

2.2 CMakeLists.txt

cmake_minimum_required(VERSION 3.5 FATAL_ERROR)

project(cylinder_segmentation)

find_package(PCL 1.2 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (${PROJECT_NAME} cylinder_segmentation.cpp)
target_link_libraries (${PROJECT_NAME} ${PCL_LIBRARIES})

3、运行结果

  • 编译运行
mkdir build && cd build
cmake ..
make
./cylinder_segmentation

  • 结果
    在这里插入图片描述

  • 点云处理前table_scene_mug_stereo_textured.pcd
    在这里插入图片描述

  • 保存的平面点云table_scene_mug_stereo_textured_plane.pcd
    在这里插入图片描述

  • 保存提取的圆柱体点云table_scene_mug_stereo_textured_cylinder.pcd
    在这里插入图片描述

4、代码解读

4.1 头文件引入

  • ModelCoefficients：用于存储模型参数（如平面、圆柱体的方程系数）。
  • pcd_io：用于读取和保存PCD格式的点云文件。
  • point_types：定义了点云中点的类型（如pcl::PointXYZ）。
  • filters：包含点云滤波工具（如ExtractIndices和PassThrough）。
  • features：包含点云特征计算工具（如法线估计NormalEstimation）。
  • sample_consensus：包含RANSAC算法及其相关模型（如平面、圆柱体）。
  • segmentation：包含点云分割工具。

4.2 类型定义

typedef pcl::PointXYZ PointT;
  • 定义PointT为pcl::PointXYZ，表示点云中的点类型为三维坐标点（x, y, z）。

4.3 初始化对象

  • reader：用于读取PCD文件。
  • pass：直通滤波器，用于裁剪点云。
  • ne：法线估计器，用于计算点云中每个点的法线。
  • seg：基于法线的分割器，用于分割平面和圆柱体。
  • writer：用于保存点云数据到PCD文件。
  • extract：用于从点云中提取特定索引的点。
  • extract_normals：用于从法线点云中提取特定索引的法线。
  • tree：KdTree对象，用于加速法线估计中的最近邻搜索。

4.4 数据集初始化

  • cloud：存储原始点云数据。
  • cloud_filtered：存储滤波后的点云数据。
  • cloud_normals：存储点云的法线数据。
  • cloud_filtered2：存储去除平面后的点云数据。
  • cloud_normals2：存储去除平面后的法线数据。
  • coefficients_plane和coefficients_cylinder：分别存储平面和圆柱体的模型系数。
  • inliers_plane和inliers_cylinder：分别存储平面和圆柱体的内点索引。

4.5 平面分割代码

seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_NORMAL_PLANE);
seg.setNormalDistanceWeight(0.1);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(100);
seg.setDistanceThreshold(0.03);
seg.setInputCloud(cloud_filtered);
seg.setInputNormals(cloud_normals);
seg.segment(*inliers_plane, *coefficients_plane);
std::cerr << "Plane coefficients: " << *coefficients_plane << std::endl;

  • setOptimizeCoefficients(true)：

    • 启用模型系数优化。在拟合模型后，进一步优化模型参数以提高精度。

  • setModelType(pcl::SACMODEL_NORMAL_PLANE)：

    • 设置分割模型类型为带法线的平面模型。该模型不仅使用点的坐标，还使用点的法线信息来拟合平面。

  • setNormalDistanceWeight(0.1)：

    • 设置法线距离权重。该参数控制法线信息在模型拟合中的重要性。值越大，法线的影响越大。

  • setMethodType(pcl::SAC_RANSAC)：

    • 使用RANSAC算法进行模型拟合。RANSAC是一种鲁棒的拟合算法，能够有效处理噪声和离群点。

  • setMaxIterations(100)：

    • 设置RANSAC算法的最大迭代次数为100。迭代次数越多，拟合结果越精确，但计算时间越长。

  • setDistanceThreshold(0.03)：

    • 设置距离阈值。点到模型的距离小于该阈值的点被视为内点（inliers）。该值越小，拟合的模型越精确。

  • setInputCloud(cloud_filtered)：

    • 设置输入点云为滤波后的点云（cloud_filtered）。

  • setInputNormals(cloud_normals)：

    • 设置输入点云的法线数据（cloud_normals）。

  • seg.segment(*inliers_plane, *coefficients_plane)：

    • 执行平面分割，将内点索引存储在inliers_plane中，平面模型的系数存储在coefficients_plane中。

  • std::cerr << "Plane coefficients: " << *coefficients_plane << std::endl;：

    • 输出平面模型的系数。平面方程的一般形式为：Ax + By + Cz + D = 0，其中coefficients_plane存储了[A, B, C, D]。

4.6 圆柱体分割代码

seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_CYLINDER);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setNormalDistanceWeight(0.1);
seg.setMaxIterations(10000);
seg.setDistanceThreshold(0.05);
seg.setRadiusLimits(0, 0.1);
seg.setInputCloud(cloud_filtered2);
seg.setInputNormals(cloud_normals2);
seg.segment(*inliers_cylinder, *coefficients_cylinder);
std::cerr << "Cylinder coefficients: " << *coefficients_cylinder << std::endl;

  • setOptimizeCoefficients(true)：

    • 启用模型系数优化。

  • setModelType(pcl::SACMODEL_CYLINDER)：

    • 设置分割模型类型为圆柱体模型。

  • setMethodType(pcl::SAC_RANSAC)：

    • 使用RANSAC算法进行模型拟合。

  • setNormalDistanceWeight(0.1)：

    • 设置法线距离权重。

  • setMaxIterations(10000)：

    • 设置RANSAC算法的最大迭代次数为10000。圆柱体模型的拟合通常比平面模型更复杂，因此需要更多的迭代次数。

  • setDistanceThreshold(0.05)：

    • 设置距离阈值。点到圆柱体模型的距离小于该阈值的点被视为内点。

  • setRadiusLimits(0, 0.1)：

    • 设置圆柱体半径的范围。半径必须在该范围内才会被接受。

  • setInputCloud(cloud_filtered2)：

    • 设置输入点云为去除平面后的点云（cloud_filtered2）。

  • setInputNormals(cloud_normals2)：

    • 设置输入点云的法线数据（cloud_normals2）。

  • seg.segment(*inliers_cylinder, *coefficients_cylinder)：

    • 执行圆柱体分割，将内点索引存储在inliers_cylinder中，圆柱体模型的系数存储在coefficients_cylinder中。

  • std::cerr << "Cylinder coefficients: " << *coefficients_cylinder << std::endl;：

    • 输出圆柱体模型的系数。圆柱体模型的系数通常包括：
      • 圆柱体轴线的方向向量（3个值）。
      • 圆柱体轴线上某一点的坐标（3个值）。
      • 圆柱体的半径（1个值）。

4.7 平面和圆柱体分割的区别

参数平面分割圆柱体分割
模型类型pcl::SACMODEL_NORMAL_PLANEpcl::SACMODEL_CYLINDER
法线权重0.10.1
最大迭代次数10010000
距离阈值0.030.05
半径限制无[0, 0.1]
输入点云cloud_filteredcloud_filtered2
输入法线cloud_normalscloud_normals2

标签：法线,segmentation,PCL,模型,Cylinder,seg,pcl,圆柱体,cloud
From： https://blog.csdn.net/old_power/article/details/145155622

相关文章

  • 【PCL】Segmentation 模块—— 平面模型分割（Plane model segmentation）
    1、简介PCL（PointCloudLibrary）中的平面模型分割（PlaneModelSegmentation）是一种从点云数据中提取平面结构的方法。它通过识别点云中符合平面模型的点集，将场景中的平面区域分割出来。1.1主要步骤选择模型：选择平面模型作为分割目标。采样点：随机选取点云中的点用于模型拟......
  • 第1章 PCL点云库核心基础：PCD点云数据及point_types和point_cloud点云类型源码详细解读
    一、PCL点云PCD文件原始数据在PCL点云库中，点云的原始数据可以包含多种字段，这些字段根据不同的应用场景和数据采集设备有所不同。最常见的点云数据存储在PCD（PointCloudData）文件格式中，其主要字段包括：#.PCDv0.7-PointCloudDatafileformat//注释VERSION0.7......
  • 第2.0章 PCL点云滤波方法原理及代码实例最全总结
    以下是对PCL（PointCloudLibrary）中各种滤波方法的总结，包括原理、所需头文件、机器人SLAM中的代码应用实例及使用说明：一、体素网格滤波（VoxelGridFilter）原理：体素网格滤波将三维空间划分为一个个小的立方体，即体素（Voxel）。对于每个体素，根据用户设定的体素尺寸，通过某种策......
  • 第0章 点云库（PCL）学习开篇：发展历史、SLAM应用与学习指南
    一、PCL的历史PointCloudLibrary（PCL）是一个功能强大的开源库，专门用于处理点云数据。它的发展是为了满足计算机视觉、机器人学、自动驾驶、逆向工程等多个领域对点云处理日益增长的需求。PCL起源于早期的点云处理工具和算法的积累，在开源社区和学术界的共同努力下逐渐发......
  • C# .NetCore HttpClient 标题名称 Content-Type、content-md5、Accept误用 确保请求头
    异常消息：        异常1、Misusedheadername,'Content-Type'.MakesurerequestheadersareusedwithHttpRequestMessage,responseheaderswithHttpResponseMessage,andcontentheaderswithHttpContentobjects        大概意思：标题名称“Cont......
  • PCL点云库入门——PCL库点云特征之FPFH点快速特征直方图（Fast Point Feature Histogram
    1、FPFH原理        快速点特征直方图（FastPointFeatureHistograms，简称FPFH）是对PFH（PointFeatureHistograms）计算方法的一种简化，具体内容看参考十四节内容。该方法的核心在于独立计算查询点的K邻域内每个点的简化点特征直方图（SimplifiedPointFeatureHistogram，简......
  • HttpClient
    HttpClient简介HttpClient是ApacheHttpComponents项目中的一个接口。用于发送HTTP请求和接收HTTP响应。CloseableHttpClient是HttpClient接口的一个具体实现类，提供了自动管理连接资源的功能，包括连接的创建、使用和关闭。HttpClient4.5之后新增的功能。CloseableHttpClient本......
  • PCL点云库入门——PCL库点云特征之点云法向量（NormalEstimation）及其可视化
    1、PCL点云库中点云特征综述  1.1、点云特征综述        点云特征描述在三维数据处理领域扮演着至关重要的角色，它直接决定了后续的识别、分类以及重建等关键任务的执行效果。在众多的特征描述方法中，我们可以看到基于几何形状的特征、基于统计信息的特征以及基于变......
  • java 使用HttpClient发送post请求，参数包括MultipartFile、Map以及File转MockMultipart
        遇到使用java调用其他系统的http接口时，发送的参数中有文件，不太好处理，如下总结了发送带文件的的http方法，发送的文件还需要先将File转成MockMultipartFile否则接收会报错。关键的代码和依赖如下所示。一、依赖<dependency><groupId>org.apache.httpcomponents</......
  • 编译android版本的pcl库
    pcl是做什么的在此就不解释了，否则你也不会点开这篇博客看，直入主题。1、Miniconda装Miniconda的目的是因为pclandroid编译包用到了conan，为了不污染整个python环境，使用miniconda创建一个新环境，这个直接跟着官网步骤走。mkdir-p~/miniconda3wgethttps://repo.anaconda.com/......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99