1.点云的频率

今天在阅读分割有关的文献时，惊喜的发现，点云和图像一样，有可能也存在频率的概念。但这个概念并未在文献中出现也未被使用，谨在本博文中滥用一下“高频”一词。点云表达的是三维空间中的一种信息，这种信息本身并没有一一对应的函数值。故点云本身并没有在讲诉一种变化的信号。但在抽象意义上，点云必然是在表达某种信号的，虽然没有明确的时间关系，但应该会存在某种空间关系（例如LiDar点云）。我们可以人为的指定点云空间中的一个点（例如Scan的重心或LiDar的“源”），基于此点来讨论点云在各个方向上所谓的频率。

在传统的信号处理中，高频信号一般指信号变化快，低频信号一般指信号变化缓慢。在图像处理中，高低频的概念被引申至不同方向上图像灰度的变化，傅里叶变换可以用于提取图像的周期成分滤除布纹噪声。在点云处理中，定义：点云法线向量差为点云所表达的信号。换言之，如果某处点云曲率大，则点云表达的是一个变化的信号。如果点云曲率小，则其表达的是一个不变的信号。这和我们的直观感受也是相近的，地面曲率小，它表达的信息量也小；人的五官部分曲率大，其表达了整个Scan中最大的信息量。

2.基于点云频率的滤波方法

虽然点云频率之前并没有被讨论，但使用频率信息的思想已经被广泛的应用在了各个方面，最著名的莫过于DoN算法。DoN算法被作者归类于点云分割算法中，但我认为并不准确，本质上DoN只是一种前处理，应该算是一种比较先进的点云滤波算法。分割本质上还是由欧式分割算法完成的。DoN 是 Difference of Normal 的简写。算法的目的是在去除点云低频滤波，低频信息（例如建筑物墙面，地面）往往会对分割产生干扰，高频信息（例如建筑物窗框，路面障碍锥）往往尺度上很小，直接采用基于临近信息的滤波器会将此类信息合并至墙面或路面中。所以DoN算法利用了多尺度空间的思想，算法如下：

1.在小尺度上计算点云法线1

2.在大尺度上计算点云法线2

3.法线1-法线2

4.滤去3中值较小的点

5.欧式分割

显然，在小尺度上是可以对高频信息进行检测的，此算法可以很好的小尺度高频信息。其在大规模点云（如LiDar点云）中优势尤其明显。

3.PCL对该算法的实现

算法运行过程可用图表示为：

// Create a search tree, use KDTreee for non-organized data.  pcl::search::Search
     
      ::Ptr tree;  if (cloud->isOrganized ())  {    tree.reset (new pcl::search::OrganizedNeighbor
      
        ());  }  else  {    tree.reset (new pcl::search::KdTree
       
         (false));  }  // Set the input pointcloud for the search tree  tree->setInputCloud (cloud);  //生成法线估计器（OMP是并行计算，忽略）  pcl::NormalEstimationOMP
        
          ne;  ne.setInputCloud (cloud);  ne.setSearchMethod (tree);  //设定法线方向（要做差，同向很重要）    ne.setViewPoint (std::numeric_limits
         
          ::max (),    std::numeric_limits
          
           ::max (), std::numeric_limits
           
            ::max ()); //计算小尺度法线 pcl::PointCloud
            
             ::Ptr normals_large_scale (new pcl::PointCloud
             
              ); ne.setRadiusSearch (scale2); ne.compute (*normals_large_scale); //计算大尺度法线 pcl::PointCloud
              
               ::Ptr normals_large_scale (new pcl::PointCloud
               
                ); ne.setRadiusSearch (scale2); ne.compute (*normals_large_scale); //生成DoN分割器 pcl::DifferenceOfNormalsEstimation
                
                  don; don.setInputCloud (cloud); don.setNormalScaleLarge (normals_large_scale); don.setNormalScaleSmall (normals_small_scale); //计算法线差 PointCloud
                 
                  ::Ptr doncloud (new pcl::PointCloud
                  
                   ); copyPointCloud
                   
                    (*cloud, *doncloud); don.computeFeature (*doncloud); //生成滤波条件：把法线差和阈值比 pcl::ConditionOr
                    
                     ::Ptr range_cond ( new pcl::ConditionOr
                     
                       () ); range_cond->addComparison (pcl::FieldComparison
                      
                       ::ConstPtr ( new pcl::FieldComparison
                       
                         ("curvature", pcl::ComparisonOps::GT, threshold)) ); //生成条件滤波器,输入滤波条件和点云 pcl::ConditionalRemoval
                        
                          condrem (range_cond); condrem.setInputCloud (doncloud); //导出滤波结果 pcl::PointCloud
                         
                          ::Ptr doncloud_filtered (new pcl::PointCloud
                          
                           ); condrem.filter (*doncloud_filtered); //欧式聚类~~~（略）

转载于:https://www.cnblogs.com/flyinggod/p/8473843.html

你可能感兴趣的文章