PCL中法线空间采样介绍

法线空间采样

NormalSpaceSampling即：法线空间采样，它在法向量空间内均匀随机抽样，使所选点之间的法线分布尽可能大，结果表现为地物特征变化大的地方剩余点较多，变化小的地方剩余点稀少，可有效保持地物特征。实现方法如下：

1、首先计算每个点的K领域，然后计算点到领域点的法线夹角值，以此来近似达到曲率的效果并提高计算效率，因为曲率越大的地方，夹角值越大。

2、设置一个角度阈值，当点的领域夹角值大于阈值时被认为是特征明显的区域，其余区域为不明显区域。

3、对明显和不明显区域进行均匀采样，采样数分别为U_(1-V)和U_V,U是目标采样数，V是均匀采样性。

// 创建基于邻域的法向估计类对象
 // // 基于omp并行加速，需配置开启OpenMP
 // pcl::NormalEstimationOMP< pcl::PointXYZ, pcl::Normal > ne; 
 // ne.setNumberOfThreads(10);
 pcl::NormalEstimation< pcl::PointXYZ, pcl::Normal > ne;
 // 创建一个空的kdtree对象，并把它传递给法线估计对象，
 // 用于创建基于输入点云数据的邻域搜索kdtree
 pcl::search::KdTree< pcl::PointXYZ >::Ptr 
             tree(new pcl::search::KdTree< pcl::PointXYZ >());
 // 传入待估计法线的点云数据，智能指针
 ne.setInputCloud(cloud_src);
 // 传入kdtree对象，智能指针
 ne.setSearchMethod(tree);
 // 设置邻域搜索半径
 ne.setRadiusSearch(0.1f);    // 设置半径时，要考虑到点云空间间距
 // // 也可以设置最近邻点个数
 // ne.setKSearch(25);
 // 设置视点源点，用于调整点云法向（指向视点），默认（0，0，0）
 ne.setViewPoint(0,0,0);
 // 计算法线数据
 ne.compute(*cloud_normals);


 // 通过concatenateFields函数将point和normal组合起来形成PointNormal点云数据
 pcl::PointCloud< pcl::PointNormal >::Ptr 
             cloud_with_normal(new pcl::PointCloud< pcl::PointNormal >());
 pcl::PointCloud< pcl::PointNormal >::Ptr 
     cloud_with_normal_sampled(new pcl::PointCloud< pcl::PointNormal >());
 pcl::concatenateFields(*cloud_src, *cloud_normals, *cloud_with_normal);


 // 创建法向空间采样（模板）类对象
 pcl::NormalSpaceSampling< pcl::PointNormal, pcl::Normal > nss;
 // 设置xyz三个法向空间的分类组数，此处设置为一致，根据具体场景可以调整
 const int kBinNum = 8;
 nss.setBins(kBinNum, kBinNum, kBinNum);
 // 如果传入的是有序点云，此处可以尝试设置为true
 nss.setKeepOrganized(false);
 // 设置随机种子，这样可以保证同样的输入可以得到同样的结果，便于debug分析
 nss.setSeed(200);   // random seed
 // 传入待采样的点云数据
 nss.setInputCloud(cloud_with_normal);
 // 传入用于采样分析的法线数据，需与传入点云数据一一对应
 nss.setNormals(cloud_normals);
 // 设置采样总数，即目标点云的总数据量
 const float kSampleRatio = 0.1f;
 nss.setSample(cloud_with_normal- >size()*kSampleRatio);
 // 执行采样并带出采样结果
 nss.filter(*cloud_with_normal_sampled);