pclpy Ransac平面分割算法输出的索引从点云中提取点云的子集
- 一、算法原理
- 二、代码
- 三、结果
- 1.`sor`统计滤波
- 2.`Ransac`内点分割平面
- 3.`Ransac`外点分割平面
- 四、相关数据
一、算法原理
1、Ransac介绍
RANSAC(RAndom SAmple Consensus,随机采样一致)算法是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。“外点”一般指的是数据中的噪声，比如说匹配中的误匹配和估计曲线中的离群点。所以，RANSAC也是一种“外点”检测算法。RANSAC算法是一种不确定算法，它只能在一种概率下产生结果，并且这个概率会随着迭代次数的增加而加大（之后会解释为什么这个算法是这样的）。
RANSAC主要解决样本中的外点问题，最多可处理50%的外点情况。
范例
可以简单总结为以下步骤：
N：样本个数 K：求解模型需要的最少的点的个数（对于直线拟合来说就是两个点，对于计算Homography矩阵就是四个点）
随机采样K个点
对该K个点拟合模型
计算其他点到拟合模型的距离。如果小于一定阈值，该点被当作内点，统计内点个数
重复M次，选择内点数最多的模型
利用所有的内点重新估计模型（可选）
RANSAC用于拟合直线：
1.随机选取K = 2 ，2个点：
2.拟合一条直线：
3.统计内点个数，内点为绿色，此时的内点个数为9(小于一定阈值计算为内点)：
4.重复上述过程M次，找到内点数最大的模型（继续随机选点根据k=数目进行选点）：
5.利用所有的内点重新估计直线：
二、代码
from pclpy import pcl
def compareCloudShow(cloud1, cloud2):
"""
Args:在一个窗口生成2个窗口可视化点云
cloud1: 点云数据1
cloud2: 点云数据2
"""
viewer = pcl.visualization.PCLVisualizer("viewer") # 建立可刷窗口对象 窗口名 viewer
v0 = 1 # 设置标签名（0, 1标记第一个窗口）
viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v0) # 创建一个可视化的窗口
viewer.setBackgroundColor(0.0, 0.0, 0.0, v0) # 设置窗口背景为黑色
single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud1, 255.0, 0, 0.0) # 将点云设置为红色
viewer.addPointCloud(cloud1, # 要添加到窗口的点云数据。
single_color, # 指定点云的颜色
"sample cloud1", # 添加的点云命名
v0) # 点云添加到的视图
v1 = 2 # 设置标签名（2代表第二个窗口）
viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v1) # 创建一个可视化的窗口
viewer.setBackgroundColor(255.0, 255.0, 255.0, v1) # 设置窗口背景为白色
single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud2, 0.0, 255.0, 0.0) # 将点云设置为绿色
viewer.addPointCloud(cloud2, # 要添加到窗口的点云数据。
single_color, # 指定点云的颜色
"sample cloud2", # 添加的点云命名
v1) # 点云添加到的视图
# 设置点云窗口（可移除对点云可视化没有影响）
viewer.setPointCloudRenderingProperties(0, # 设置点云点的大小
1, # 点云像素
"sample cloud1", # 识别特定点云
v0) # 在那个窗口可视化
viewer.setPointCloudRenderingProperties(0, # 设置点云点的大小
1, # 点云像素
"sample cloud2", # 识别特定点云
v1) # 在那个窗口可视化
viewer.addCoordinateSystem(1.0) # 设置坐标轴 坐标轴的长度为1.0
# 窗口建立
while not viewer.wasStopped():
viewer.spinOnce(10)
if __name__ == '__main__':
# 读取点云数据
cloud = pcl.PointCloud.PointXYZ()
reader = pcl.io.PCDReader()
reader.read('res/table_scene_lms400.pcd', cloud)
print('点云数目：', cloud.size())
# 创建sor滤波器 参考 pclpy SOR去除异常值(统计滤波) pclpy专栏中
cloud_filtered = pcl.PointCloud.PointXYZ()
sor = pcl.filters.StatisticalOutlierRemoval.PointXYZ() # 创建sor处理对象
sor.setInputCloud(cloud) # 将cloud处理
sor.setMeanK(50) # 每个点要分析的邻居数
sor.setStddevMulThresh(1.0) # 距离查询点的平均距离大于1个标准差的点都将被标记为离群值并删除
sor.filter(cloud_filtered) # sor处理后的点云保存在这里(内点)
# 可视化滤波效果
compareCloudShow(cloud, cloud_filtered) # 参考 pclpy 可视化点云（多窗口可视化、单窗口多点云可视化） pclpy在专栏中
coeffs = pcl.ModelCoefficients() # 存储估计的平面参数
inliers = pcl.PointIndices() # 存储平面模型的内点索引
# 创建分割object
seg = pcl.segmentation.SACSegmentation.PointXYZ()
# 可选项
seg.setOptimizeCoefficients(True)
# 设置
seg.setModelType(0) # 0平面模型
seg.setMethodType(0) # 表示 RANSAC 算法 open3d 平面分割（Ransac算法） 专栏open3d
seg.setMaxIterations(1000) # 设置 RANSAC 算法的最大迭代次数为 1000。
seg.setDistanceThreshold(0.01) # 设置平面模型的距离阈值为 0.01，用于判断点是否为内点（inliers）
# 创建滤波object
extract = pcl.filters.ExtractIndices.PointXYZ()
nr_points = cloud_filtered.size() # 获得点云数目
while cloud_filtered.size() > nr_points * 0.3:
# 从保留的点云中分割最大的平面成分
seg.setInputCloud(cloud_filtered) # 将滤波后的点云数据设置为分割器的输入
seg.segment(inliers, coeffs) # 分割后的内点索引保存在 inliers 中，将平面模型系数保存在 coeffs
if len(inliers.indices) == 0:
print('无法对给定数据集估计平面模型。')
break
# 提取内点(平面成分)
extract.setInputCloud(cloud_filtered) # 从点云中提取指定索引的点 和 open3d 中的select_index_by()一样
extract.setIndices(inliers) # 将计算索引进行装填
extract.setNegative(False) # 获得内点
cloud_p = pcl.PointCloud.PointXYZ()
extract.filter(cloud_p)
# 可视化提取出来的平面
compareCloudShow(cloud_filtered, cloud_p)
print("点云数目：", cloud_p.size())
# 再次滤波，提取外点（非平面成分）
extract.setNegative(True) # 获得外点
cloud_f = pcl.PointCloud.PointXYZ()
extract.filter(cloud_f)
cloud_filtered.swap(cloud_f) # 等价于cloud_filtered = cloud_f
三、结果
1.sor统计滤波
2.Ransac内点分割平面
3.Ransac外点分割平面
四、相关数据
pclpy SOR去除异常值(统计滤波)：pclpy SOR去除异常值(统计滤波)-CSDN博客
pclpy 可视化点云（多窗口可视化、单窗口多点云可视化）：pclpy 可视化点云（多窗口可视化、单窗口多点云可视化）-CSDN博客
open3d 平面分割（Ransac算法） open3d 平面分割（Ransac算法）-CSDN博客
