PCL 点云直通滤波

news2024/11/24 16:49:52

目录

一、概述

1.1原理

1.2实现步骤

1.3应用场景

二、代码实现

2.1关键函数

2.1.1 直通滤波实现

2.1.2 可视化函数

2.2完整代码

三、实现效果

PCL点云算法汇总及实战案例汇总的目录地址链接：

PCL点云算法与项目实战案例汇总（长期更新）

一、概述

        直通滤波（PassThrough Filter） 是一种常用的点云滤波方法，用于在特定范围内选择和保留点云数据中的点。通过指定要保留的点的坐标范围，可以有效地去除不必要的点云数据，从而简化点云并提高后续处理的效率。

1.1原理

        直通滤波的原理是根据用户定义的坐标轴（如 X、Y 或 Z）范围，过滤掉不在该范围内的点。此方法适用于对点云进行区域选择，以便专注于特定区域或特征。

1.2实现步骤

  1. 读取点云数据：使用 PCL 的 I/O 函数读取点云文件。
  2. 设置直通滤波器参数：包括要过滤的坐标轴和范围。
  3. 应用滤波器：生成过滤后的点云。
  4. 可视化结果：将原始点云和过滤后的点云进行可视化，对比效果。原始点云为红色，过滤后的点云为绿色。

1.3应用场景

  1. 区域选择：在进行特征提取或对象识别时，仅保留感兴趣区域的点。
  2. 噪声去除：通过过滤掉不在指定范围内的点，去除可能的噪声。
  3. 数据简化：降低点云数据的复杂性，以提高计算效率。

二、代码实现

2.1关键函数

2.1.1 直通滤波实现

        通过设置坐标轴和范围，应用直通滤波器。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>

// 直通滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr passThroughFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    const std::string& axis,                    // 要过滤的坐标轴
    float min_limit,                            // 最小范围
    float max_limit                             // 最大范围
)
{
    pcl::PassThrough<pcl::PointXYZ> pass;  // 创建直通滤波器对象
    pass.setInputCloud(cloud);             // 设置输入点云
    pass.setFilterFieldName(axis);         // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pass.setFilterLimits(min_limit, max_limit);  // 设置过滤范围
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*filtered_cloud);          // 应用滤波器
    return filtered_cloud;                 // 返回过滤后的点云
}

2.1.2 可视化函数

        使用 PCL 可视化库展示原始点云和过滤后的点云，并设置颜色：原始点云为红色，过滤后的点云为绿色。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("PassThrough Filter Viewer"));

    // 设置视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);          // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);           // 设置白色背景
    viewer->addText("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 设置视口2，显示过滤后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);          // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);        // 设置浅灰色背景
    viewer->addText("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

2.2完整代码

// C++头文件
#include <iostream>
// PCL头文件
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>      // 直通滤波
#include <pcl/visualization/pcl_visualizer.h>

// 直通滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr passThroughFilter(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    const std::string& axis,                    // 要过滤的坐标轴
    float min_limit,                            // 最小范围
    float max_limit                             // 最大范围
)
{
    pcl::PassThrough<pcl::PointXYZ> pass;  // 创建直通滤波器对象
    pass.setInputCloud(cloud);             // 设置输入点云
    pass.setFilterFieldName(axis);         // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pass.setFilterLimits(min_limit, max_limit);  // 设置过滤范围
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*filtered_cloud);          // 应用滤波器
    return filtered_cloud;                 // 返回过滤后的点云
}

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("PassThrough Filter Viewer"));

    // 设置视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);          // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);           // 设置白色背景
    viewer->addText("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 设置视口2，显示过滤后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);          // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);        // 设置浅灰色背景
    viewer->addText("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

int main(int argc, char** argv)
{
    // ------------------------------读取点云数据---------------------------------
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile("bunny.pcd", *cloud) < 0)
    {
        PCL_ERROR("Could not read file\n");
        return (-1);  // 返回错误
    }

    // -------------------------------直通滤波---------------------------------
    float min_limit = -0.1;  // 设置过滤范围下限
    float max_limit =0.1;   // 设置过滤范围上限
    std::string axis = "y";  // 设置要过滤的坐标轴（"x"、"y" 或 "z"）
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud = passThroughFilter(cloud, axis, min_limit, max_limit);  // 进行直通滤波

    // ------------------------------可视化原始点云和过滤后的点云---------------------------------
    visualizePointClouds(cloud, filtered_cloud);  // 调用可视化函数

    return 0;
}

三、实现效果

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2185836.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

CS-BP预测 | MATLAB实现CS-BP布谷鸟搜索算法优化BP神经网络多变量时间序列预测

CS-BP预测 | MATLAB实现CS-BP布谷鸟搜索算法优化BP神经网络多变量时间序列预测

CS-BP预测 | MATLAB实现CS-BP布谷鸟搜索算法优化BP神经网络多变量时间序列预测 目录 CS-BP预测 | MATLAB实现CS-BP布谷鸟搜索算法优化BP神经网络多变量时间序列预测预测效果基本介绍程序设计参考资料预测效果 基本介绍 MATLAB实现CS-BP多变量时间序列预测（布谷鸟搜索算法优化B…
阅读更多...
VMware中Ubuntu系统Docker正常运行但网络不通（已解决）

VMware中Ubuntu系统Docker正常运行但网络不通（已解决）

问题描述&#xff1a;在VMware中的Ubuntu系统下部署了Docker&#xff0c;当在docker容器中运行Eureka微服务时&#xff0c;发现Eureka启动正常&#xff0c;但无法通过网页访问该容器中Eureka。 解决办法如下&#xff1a; 1、创建桥接网络&#xff1a;test-net sudo docker n…
阅读更多...
媲美GPT-4o mini的小模型，Meta Llama 3.2模型全面解读！

媲美GPT-4o mini的小模型，Meta Llama 3.2模型全面解读！

大家好&#xff0c;我是木易&#xff0c;一个持续关注AI领域的互联网技术产品经理&#xff0c;国内Top2本科&#xff0c;美国Top10 CS研究生&#xff0c;MBA。我坚信AI是普通人变强的“外挂”&#xff0c;专注于分享AI全维度知识&#xff0c;包括但不限于AI科普&#xff0c;AI工…
阅读更多...
高性能架构—存储高性能

高性能架构—存储高性能

1 &#x1f4ca;关系型数据库 存储技术飞速发展&#xff0c;关系型数据的ACID特性以及强大的SQL查询让其成为各种业务系统的关键和核心存储系统。 很多场景下的高性能设计最核心的就是关系型数据库的设计&#xff0c;很多数据库厂商再优化和提升单个数据库服务器的性能方面做了…
阅读更多...
网络原理-数据链路层

网络原理-数据链路层

在这一层中和程序员距离比较遥远&#xff0c;除非是做交换机开发&#xff0c;否则不需要了解数据链路层 由AI可知&#xff1a; 数据链路层&#xff08;Data Link Layer&#xff09;是OSI&#xff08;Open Systems Interconnection&#xff09;七层网络模型中的第二层&#xff0…
阅读更多...
【Android 14源码分析】Activity启动流程-3

【Android 14源码分析】Activity启动流程-3

忽然有一天&#xff0c;我想要做一件事&#xff1a;去代码中去验证那些曾经被“灌输”的理论。                                                                                  – 服装…
阅读更多...
后台管理系统脚手架

后台管理系统脚手架

后台管理系统脚手架 介绍 在快速迭代的软件开发世界里&#xff0c;时间就是生产力&#xff0c;效率决定成败。对于构建复杂而庞大的后台系统而言&#xff0c;一个高效、可定制的后台脚手架&#xff08;Backend Scaffold&#xff09;无疑是开发者的得力助手。 脚手架 后台脚…
阅读更多...
Python案例--这天第几天

Python案例--这天第几天

如何使用Python计算一年中的第几天&#xff1a;详细指南 在处理日期和时间时&#xff0c;我们经常需要确定一个特定日期是一年中的第几天。这在许多应用场景中都非常有用&#xff0c;比如日历应用程序、数据分析和时间管理工具。Python&#xff0c;作为一种广泛使用的编程语言…
阅读更多...
低功耗4G模组Air780E之串口通信篇

低功耗4G模组Air780E之串口通信篇

你对低功耗4G模组Air780E有多少了解&#xff1f; 今天我们来讲解低功耗4G模组Air780E的串口通信的基本用法&#xff0c;小伙伴们&#xff0c;学起来吧&#xff01; 一、硬件准备 780E开发板一套&#xff0c;包括天线、USB数据线。 USB转TTL工具或线&#xff08;例如ch340、…
阅读更多...
用CSS创造三角形案例

用CSS创造三角形案例

6.3.2 用CSS创造三角形 用div来创建&#xff0c;角上是平分的&#xff0c;所以要是内部宽高为0&#xff0c;其他边透明&#xff0c;正好是三角形。 代码 div {border: 12px solid;width: 0;height: 0;border-color: transparent red transparent transparent; } 与伪元素aft…
阅读更多...
基于SSM的校园社团管理系统的设计 社团信息管理 智慧社团管理社团预约系统 社团活动管理 社团人员管理 在线社团管理社团资源管理（源码+定制+文档）

基于SSM的校园社团管理系统的设计 社团信息管理 智慧社团管理社团预约系统 社团活动管理 社团人员管理 在线社团管理社团资源管理（源码+定制+文档）

博主介绍&#xff1a; ✌我是阿龙&#xff0c;一名专注于Java技术领域的程序员&#xff0c;全网拥有10W粉丝。作为CSDN特邀作者、博客专家、新星计划导师&#xff0c;我在计算机毕业设计开发方面积累了丰富的经验。同时&#xff0c;我也是掘金、华为云、阿里云、InfoQ等平台…
阅读更多...
【rCore OS 开源操作系统】Rust 字符串（可变字符串String与字符串切片str)

【rCore OS 开源操作系统】Rust 字符串（可变字符串String与字符串切片str)

【rCore OS 开源操作系统】Rust 语法详解: Strings 前言 这次涉及到的题目相对来说比较有深度&#xff0c;涉及到 Rust 新手们容易困惑的点。 这一次在直接开始做题之前&#xff0c;先来学习下字符串相关的知识。 Rust 的字符串 Rust中“字符串”这个概念涉及多种类型&…
阅读更多...
Pikachu-xss实验案例-钓鱼

Pikachu-xss实验案例-钓鱼

攻击思路&#xff1a;提供一个与攻击网站相似的登陆的钓鱼页面&#xff1b;让用户输入登陆信息 查看项目源代码&#xff0c;首先访问 fish.php ,提供输入的登陆框&#xff0c; 从登陆框获取到账号、密码后&#xff0c;重定向到xfish.php 做保存&#xff1b; 因此&#xff0c;需…
阅读更多...
遥感图像变换检测实践上手（TensorRT+UNet）

遥感图像变换检测实践上手（TensorRT+UNet）

目录 简介 分析PyTorch示例 onnx模型转engine 编写TensorRT推理代码 main.cpp测试代码 小结 简介 这里通过TensorRTUNet&#xff0c;在Linux下实现对遥感图像的变化检测&#xff0c;示例如下&#xff1a; 可以先拉去代码&#xff1a;RemoteChangeDetection 分析PyTorch示…
阅读更多...
C++基类构造器的自动调用

C++基类构造器的自动调用

C基类构造器的自动调用 虽然基类的构造器和解构器不会被派生类继承&#xff0c;但它们会被派生类的构造器和解构器自动调用&#xff0c;今天我们用代码实证一下。 验证代码 源代码&#xff0c;仔细看注释内容&#xff1a; D:\YcjWork\CppTour>vim c2004.cpp #include &l…
阅读更多...
特征工程与选择：优化模型性能的关键步骤----示例：特征工程在泰坦尼克号生存预测中的应用、使用递归特征消除（RFE）进行特征选择

特征工程与选择：优化模型性能的关键步骤----示例：特征工程在泰坦尼克号生存预测中的应用、使用递归特征消除（RFE）进行特征选择

特征工程和特征选择是机器学习流程中至关重要的环节&#xff0c;直接影响到模型的性能。特征工程涉及从原始数据中提取或构造有用的特征&#xff0c;而特征选择则是从已有的特征集中挑选出最相关的子集。 特征工程 特征工程是指创建能够使机器学习算法更好地理解数据的新特征的…
阅读更多...
平面电磁波（解麦克斯韦方程）

平面电磁波（解麦克斯韦方程）

注意无源代表你立方程那个点xyzt处没有源&#xff0c;电场磁场也是这个点的。 j电流面密度&#xff0c;电流除以单位面积&#xff0c;ρ电荷体密度&#xff0c;电荷除以单位体积。 j方程组有16个未知数&#xff0c;每个矢量有三个xyz分量&#xff0c;即三个未知数&#xff0c;…
阅读更多...
样式重置 normalize.css

样式重置 normalize.css

安装normalize.css npm install --save normalize.csspnpm add normalize.css安装less yarn add less -Dmain.ts import { createApp } from vue import App from ./App.vue // 引入 import normalize.csscreateApp(App).mount(#app)index.less import less中的语法 imp…
阅读更多...
JDBC 概述

JDBC 概述

JDBC 概述 JDBC的基本概念与功能JDBC的工作原理JDBC的组件与类JDBC的类型与特性JDBC的应用场景 JDBC&#xff08;Java Database Connectivity&#xff09;即Java数据库连接&#xff0c;是Java编程语言用于与数据库进行连接和操作的API&#xff08;应用程序编程接口&#xff09;…
阅读更多...
K8s域名解析方案CoreDNS(K8s Domain Name Resolution Solution CoreDNS)

K8s域名解析方案CoreDNS(K8s Domain Name Resolution Solution CoreDNS)

&#x1f49d;&#x1f49d;&#x1f49d;欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 本人主要分享计算机核心技…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023