声明

• 示例结果比较奇怪，可能是参数没调好，如有问题，望指正！

简介

基于MLS（Moving Least Squares）的上采样是一种常用的点云处理方法，用于增加稀疏点云数据的密度和细节。MLS上采样通过对点云进行局部拟合，并使用拟合结果生成新的点，从而实现点云的平滑和细节恢复。

MLS上采样的工作流程如下：

1. 针对每一个待上采样的点，选择其邻域内的一组最近邻点。
2. 对于选定的邻域点集，通过拟合一个平滑的曲面来逼近这些点。常用的拟合方法包括欧式最小二乘法（OLS）和加权最小二乘法（WLS）。
3. 根据拟合结果，生成新的采样点。通常是在拟合曲面上均匀采样一定数量的点。
4. 重复以上步骤，直到所有待上采样的点都得到处理。

MLS上采样的结果具有以下特点：

• 增加点云的密度：通过生成额外的采样点，将原始稀疏点云的密度增加到更高的水平。
• 平滑点云的表面：由于对每个点进行了局部曲面拟合，MLS上采样可以实现平滑点云的表面，减少形状的噪声和不规则性。
• 恢复细节：通过在拟合曲面上均匀采样新的点，MLS上采样可以恢复原始点云中的细节信息。

下图所示是使用PCL实现的基于MLS上采样的结果图。

（a）原始点云	（b）PCL中基于MLS上采样结果

代码

// Create a KD-Tree
pcl::search::KdTree<PointType>::Ptr tree(new pcl::search::KdTree<PointType>);

// Init object (second point type is for the normals, even if unused)
pcl::MovingLeastSquares<PointType, PointType> mls;
mls.setComputeNormals (true);

// Set parameters
mls.setInputCloud(cp_.cloud_);
mls.setPolynomialOrder(3);
mls.setSearchMethod(tree);
mls.setSearchRadius(0.005);

//Upsampling 采样的方法还有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
mls.setUpsamplingMethod(pcl::MovingLeastSquares<PointType, PointType>::SAMPLE_LOCAL_PLANE); //对点云进行上采样
mls.setUpsamplingRadius(0.002);    // the larger it is, the more range it will expand
mls.setUpsamplingStepSize(0.0001);  // the small it is, the span will be smaller
mls.process(*ocloud_);      //执行采样操作

参考

[1] https://blog.51cto.com/u_13157605/6038637