PCL学习笔记(四)——点云曲面重建

谁践踏了优雅 2022-10-21 13:55 3186阅读 0赞

### 文章目录 ###

*  一、凸包算法
 *  二、凹包算法
 *  三、贪婪投影三角化算法
 *  四、小结

> 单纯的点云数据固然很好，但仅仅是点的话仍是不够的，因为这不利于我们后续对实体对象的渲染与各种应用，如计算实体的表面积、体积等等，所以这就需要我们对实体进行点云的曲面重建。

# 一、凸包算法 #

> 在计算机图形学中，凸包是指在任意维空间中包含某一有限点集P的最小凸集，它由凸包顶点构成，在二维上其表现形式为一个凸多边形，而在三维上则表现为一个凸多面体。在二维层面上来讲，最常用的凸包算法有Graham扫描法和Jarvis卷包裹法，但前者并不适用于三维层面，后者倒是可以扩展到三维。除此之外，在三维层面上，凸包算法还有Clarkson-Shor和QuickHull两种算法，两者均属于增量法，但后者在实际应用中更为常用，是一种非常优秀的凸包算法，PCL中应该也是内嵌的该方法（这是我的猜测\*^\*，因为它使用的库名是libqhull）。

核心代码：

//构建凸包
    	pcl::ConvexHull<PointType> convexHull;
    	convexHull.setInputCloud(cloud);
    	convexHull.setDimension(3);
    	convexHull.setComputeAreaVolume(true);
    
    	//保存凸包中的面要素
    	std::vector<pcl::Vertices> polygons;
    	pcl::PointCloud<PointType>::Ptr surface_hull(new pcl::PointCloud<PointType>);
    	convexHull.reconstruct(*surface_hull, polygons);
    	viewer->removeAllPointClouds();
    	//viewer->removePolygonMesh("polyline");
    	viewer->addPolygonMesh<PointType>(surface_hull, polygons, "polyline");
    	UpdateUI();
    
    	QMessageBox::information(nullptr, QStringLiteral("体积计算"), QStringLiteral("该物体的体积为:") + QString::number(convexHull.getTotalVolume()));

原始数据：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70]

凸包构建的效果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 1]

![在这里插入图片描述][20210505100128350.png]

> 这里只是做一个小的演示，更多的使用方法可以查看[官方文档][Link 1]。

# 二、凹包算法 #

> 这部分PCL使用的是alpha-shape算法来进行点云凹包的获取，当然除此之外也有许多其他的方法，如建三角网等。回归正题，在三维层面上来讲，该算法我们可以想象为一个球在一堆点集中进行滚动，符合条件的三个点即会构成一个多边形，这个条件在我看来是一种“空球法则”（类似于空圆法则），也就是说这个球除三个基本点之外不会包含其他的点。而其中的alpha值即是这个球的半径，因为仅仅三个点是构成不了球体的，还需与这个参数进行配合。具体的实现过程如下所示：

> 核心代码：

pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_xyzi(new pcl::PointCloud<pcl::PointXYZI>);
    	pcl::PointCloudXYZRGBtoXYZI(*cloud, *cloud_xyzi);		//这里有些奇怪，因为如果是rgb数据，结果会是黑色，不知道是否是影响到了渲染的过程，故而将其转换为xyzi格式数据
    	pcl::ConcaveHull<pcl::PointXYZI> concaveHull;
    	concaveHull.setInputCloud(cloud_xyzi);
    	concaveHull.setDimension(3);
    	//创建一个简单的对话框
    	bool isOK;
    	QString alpha = QInputDialog::getText(nullptr, QString::fromLocal8Bit("参数"),
    		QString::fromLocal8Bit("alpha值："),
    		QLineEdit::Normal,
    		"",
    		&isOK);
    	double alphaValue = alpha.trimmed().toDouble();
    
    	if (!isOK) { 
    		PCL_ERROR("参数设置错误");
    		return;
    	}
    
    	concaveHull.setAlpha(alphaValue);		//设置凸包的Alpha值
    
    	//保存凸包中的面要素
    	std::vector<pcl::Vertices> polygons;
    	pcl::PointCloud<pcl::PointXYZI>::Ptr surface_hull(new pcl::PointCloud<pcl::PointXYZI>);
    	concaveHull.reconstruct(*surface_hull, polygons);
    	viewer->removeAllPointClouds();
    	viewer->addPolygonMesh<pcl::PointXYZI>(surface_hull, polygons, "polyline");
    	UpdateUI();

> alpha值为0.01时：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 2]

近距离可以再观察一下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 3]

> alpha值为0.1时：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 4]

# 三、贪婪投影三角化算法 #

> 该算法简单的来讲就是：将三维点云通过法线投影到某一平面上，然后再对投影得到的点云做平面上的三角化，相当于做了一种降维处理，以这种方式来得到各点的连接关系。至于平面区域三角化这一部分，我们可以采用的方法有许多，PCL采用的是基于Delaunay法则的空间区域增长算法，通过选取一个初始三角面片，不断的向外扩张最后形成一个完整的三角网格曲面。

> 不过，其实从该算法的过程也可以看出，它对数据本身是有较高的要求的，比如点云密度变化均匀等，此外它不能在构建三角网的过程中对曲面进行平滑等修复。

> 核心代码：

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>);
    int len = cloud->size();
    //cloud_xyz->reserve(len); //仅仅是预留了空间，但是并没有真正的创建对象;只修改capacity大小，不修改size大小
    cloud_xyz->resize(len);		//既分配了空间，也创建了对象;既修改capacity大小，也修改size大小
    //拷贝数据
    for (int i = 0; i < len; i++) { 
    	(*cloud_xyz)[i]=pcl::PointXYZ((*cloud)[i].x, (*cloud)[i].y, (*cloud)[i].z);
    }
    
    //估计点云的法向量
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud_xyz);		//建立kdtree结构
    n.setInputCloud(cloud_xyz);
    n.setSearchMethod(tree);	//设置搜索方法
    n.setKSearch(20);		//设置k搜索的k值
    n.compute(*normals);
    
    // 连接xyz与法向量字段
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
    pcl::concatenateFields(*cloud_xyz, *normals, *cloud_with_normals);
    //* cloud_with_normals = cloud + normals
    
    pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
    tree2->setInputCloud(cloud_with_normals);
    
    // 初始化贪婪投影三角形对象
    pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;
    pcl::PolygonMesh triangles;
    
    //设置连接点的最大距离值
    gp3.setSearchRadius(0.025);
    
    //设置相关参数
    gp3.setMu(2.5);		//设置样本点搜索邻近点的最远距离，通过乘上我们设置的这个系数
    gp3.setMaximumNearestNeighbors(100);	//设置样本点最大可搜索的领域个数
    gp3.setMaximumSurfaceAngle(M_PI / 4); //设置某点法线方向偏离样本点法线方向的最大角度为45 degrees
    gp3.setMinimumAngle(M_PI / 18); //设置三角化后的三角形内角最小度数为10 degrees
    gp3.setMaximumAngle(2 * M_PI / 3); //设置三角化后的三角形内角最大度数为120 degrees
    gp3.setNormalConsistency(false);	//设置该参数不保证法线朝向一致，这样可以减少一些计算时间
    
    //获取结果
    gp3.setInputCloud(cloud_with_normals);
    gp3.setSearchMethod(tree2);
    gp3.reconstruct(triangles);
    
    // Additional vertex information
    /*std::vector<int> parts = gp3.getPartIDs(); std::vector<int> states = gp3.getPointStates();*/
    viewer->removeAllPointClouds();
    viewer->addPolygonMesh(triangles, "my");
    UpdateUI();

> 实现效果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 5]

# 四、小结 #

> 上述的曲面重建算法只是我之前用过的一些方法，除此之外，PCL中还有着许多经典的相关算法，如泊松重建、EarClipping等，这还需要日后配合着一些资料进行理解与实现，有兴趣的同学可以到PCL官网去逛逛。

> 参考资料：《PCL从入门到精通》

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70]: /images/20221021/403a381e323647bb87f8ff38b497bc5e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 1]: /images/20221021/97cfd91f0da8484c98ae758198cdbbc5.png
[20210505100128350.png]: /images/20221021/b3ff8d61b1d840a99ce2771ecb569efe.png
[Link 1]: https://pointclouds.org/documentation/classpcl_1_1_convex_hull.html#details
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 2]: /images/20221021/ebd5f46da17e45438db892f3c29cbe2e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 3]: /images/20221021/fa4a30e009b642e3af6dacbaa1050546.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 4]: /images/20221021/af9ac9de3a664669bceb0e39eb2dfefa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RheXVoYWl0YW5nMQ_size_16_color_FFFFFF_t_70 5]: /images/20221021/0a28d513a1d844248bea7fdb5f88a9bb.png