当前位置： 首页 > news >正文

少儿编程课有没有必要学seo友情链接

news 2025/8/2 1:23:27
少儿编程课有没有必要学,seo友情链接,电子商务网站建设参考书,南阳市建设委员会网站点云降采样 第一章 点云数据采集 第二章 点云滤波 第二章 点云降采样 1. 为什么要降采样？ 我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。 降采样是一种有效的减少数据、缩减计算量…

点云降采样

第一章 点云数据采集
第二章 点云滤波
第二章 点云降采样

1. 为什么要降采样？

我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。
降采样是一种有效的减少数据、缩减计算量的方法。

2.降采样算法

2.1 随机降采样

根据设置的比例系数随机删除点云，比较接近均匀采样，但不稳定。

Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd = pcd.random_down_sample(sampling_ratio=0.5)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="随机降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

在这里插入图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/random_sample.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::RandomSample<pcl::PointXYZ> random_sampling;random_sampling.setInputCloud(cloud);random_sampling.setSample(10000);  // 设置希望得到的点数random_sampling.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.2 均匀降采样

就是每隔多远采集一个点，

Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd = pcd.uniform_down_sample(6)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="均匀降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/uniform_sampling.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::UniformSampling<pcl::PointXYZ> filter;		// 创建均匀采样对象filter.setInputCloud(cloud);					// 设置待采样点云filter.setRadiusSearch(10.0f);					// 设置采样半径filter.filter(*cloud_downsampled);					// 执行均匀采样，结果保存在cloud_filtered中std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.3 体素降采样

将空间切割为均匀大小的体素网格，以非空体素的质心代替该体素内的所有点。

原点云位置使用体素降采样后会发生变化。

open3d

import numpy as np
import open3d as o3d
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)downpcd = pcd.voxel_down_sample(voxel_size=5)
print(downpcd)
o3d.visualization.draw_geometries([downpcd], window_name="体素降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

请添加图片描述

pcl

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::VoxelGrid<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setLeafSize(10.0f, 10.0f, 10.0f);sor.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_sampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.4 最远点降采样

首先随机选择一个点，其次，在剩下点中寻找最远的点，再去再剩下点中找到同时离这两个点最远的点，直到满足采样点个数。
Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd=pcd.farthest_point_down_sample(10000)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="最远点降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

请添加图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/common/distances.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;size_t N = cloud->size();assert(N >= 10000);srand(time(0));size_t seed_index = rand() % N;pcl::PointXYZ p = cloud->points[seed_index];;cloud_downsampled->push_back(p);cloud->erase(cloud->begin() + seed_index);for (size_t i = 1; i < 10000; i++){float max_distance = 0;size_t max_index = 0;for (size_t j = 0; j < cloud->size(); j++){float distance = pcl::euclideanDistance(p, cloud->points[j]);if (distance > max_distance){max_distance = distance;max_index = max_index;}}p = cloud->points[max_index];cloud_downsampled->push_back(p);cloud->erase(cloud->begin() + max_index);}std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

在这里插入图片描述

2.5 移动最小二乘法降采样

在MLS法中，需要在一组不同位置的节点附近建立拟合曲线，每个节点都有自己的一组系数用于定义该位置附近拟合曲线的形态。因此，在计算某个节点附近的拟合曲线时，只需要计算该点的该组系数值即可。

此外，每个节点的系数取值只考虑其临近采样点，且距离节点越近的采样点贡献越大，对于未置较远的点则不予考虑。

许多文章都将移动最小二乘法作为降采样方法，我觉得这只是一种平滑，所以这里给了重建代码，不进一步实验了。

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/surface/mls.h>
#include <pcl/search/kdtree.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);// 输出的PointCloud中有PointNormal类型，用来存储MLS算出的法线pcl::PointCloud<pcl::PointNormal> mls_points;// 定义MovingLeastSquares对象并设置参数pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;mls.setComputeNormals(true);mls.setInputCloud(cloud);mls.setSearchMethod(tree);mls.setSearchRadius(30);// 曲面重建mls.process(mls_points);//std::cout << "downsampled cloud size: " << mls_points->width * mls_points->height << std::endl;// 使用PCLVisualizer进行可视化boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Cloud Viewer"));viewer->addPointCloud<pcl::PointNormal>(mls_points.makeShared(), "MLS Cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "MLS Cloud");viewer->addPointCloudNormals<pcl::PointNormal>(mls_points.makeShared(), 1, 0.05, "normals");  // 可选：显示法线viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

2.6 法线空间采样

通过在法向量空间内均匀随机抽样，使所选点之间的法线分布尽可能大，结果表现为地物特征变化大的地方剩余点较多，变化小的地方剩余点稀少，可有效保持地物特征。

Open3d

import open3d as o3d
import numpy as npdef normal_space_sampling(pcd, num_bins=5, num_samples=10000):# 1. 估算法线pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=10, max_nn=30))normals = np.asarray(pcd.normals)# 2. 使用法线的x、y和z分量将法线映射到一个3D直方图或“bin”空间bins = np.linspace(-1, 1, num_bins)normal_bins = np.digitize(normals, bins)unique_bins = np.unique(normal_bins, axis=0)sampled_indices = []for b in unique_bins:indices = np.all(normal_bins == b, axis=1)bin_points = np.where(indices)[0]if bin_points.size > 0:sampled_indices.append(np.random.choice(bin_points))# 如果采样点数不足，从原点云中随机选择其他点while len(sampled_indices) < num_samples:sampled_indices.append(np.random.randint(0, len(pcd.points)))# 3. 从每个bin中选择一个点进行采样sampled_points = np.asarray(pcd.points)[sampled_indices]sampled_pcd = o3d.geometry.PointCloud()sampled_pcd.points = o3d.utility.Vector3dVector(sampled_points)return sampled_pcd# 读取点云
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
sampled_pcd = normal_space_sampling(pcd)
o3d.visualization.draw_geometries([sampled_pcd])

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/normal_space.h>
#include <pcl/features/normal_3d.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;// 计算法线pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;ne.setInputCloud(cloud);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);ne.setRadiusSearch(30);  // 设置法线估计的半径ne.compute(*cloud_normals);// 法线空间采样pcl::NormalSpaceSampling<pcl::PointXYZ, pcl::Normal> nss;nss.setInputCloud(cloud);nss.setNormals(cloud_normals);nss.setBins(5, 5, 5);  // 设置法线空间的bin数量nss.setSample(cloud->size() / 10);  // 例如，取原始点云大小的1/10nss.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

http://www.mmbaike.com/news/51826.html

相关文章：

  • 网站建设核心正规的网店培训机构有哪些
  • 怎么做网站文字优化宁德市是哪个省
  • 做网站用什么前端框架手机百度电脑版入口
  • 网站制作服务热线优化营商环境条例全文
  • 网站有哪些风格湖南seo优化服务
  • 微网站建设找哪家公司b站不收费网站
  • 网站敏感词汇百度售后电话人工服务
  • 音视频娱乐网站开发商南昌百度推广联系方式
  • 嵌入式系统开发西安seo诊断
  • 怎样管理网站sem是什么职位
  • 织梦网站建设网络营销策略研究论文
  • 如何在好医生网站做二类学分免费seo网站自动推广软件
  • 项目网络图和关键路径seo项目
  • 营销crmseo岗位工资
  • 假网站如何做查销售数据的网站
  • 推荐武进网站建设seo网站推广企业
  • 做新浪微博网站需要网络推广 网站制作
  • 网站实现步骤及方法是免费文件外链网站
  • 网站推广及seo方案常州seo
  • 网站建设时间计划常见的网络营销模式
  • 制作书签杭州seo首页优化软件
  • 可视化网站制作软件西安seo公司哪家好
  • 学做网站论坛怎么样免费制作网页的网站
  • 电子商务网站栏目最热门的短期培训课程
  • 江西网站制作武汉网络推广广告公司
  • 宿迁558网络专业做网站cps推广是什么意思
  • 重庆专业做网站的公司北京债务优化公司
  • 八里庄街道网站建设网站关键词查询网址
  • 网站图片切换代码百度账号是什么
  • 网站建设毕业设计北大青鸟