PCL入门系列 —— VoxelGrid体素栅格降采样

前言

随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。

为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单直观地感受到当前所用算法模块的执行效果。

后续会逐步扩增与工业机器视觉相关的一些其它内容，如：

项目案例剖析、场景数据分析、基础算法模块、相机评测 等；

如有兴趣可加入群聊（若入群二维码被屏蔽，则可以通过Q群（1032861997）或评论、私信博主“群聊”，邀请入群），与同道同学及圈内同行一起交流讨论。

在这里插入图片描述

程序说明

展示VoxelGrid体素栅格采样效果

输出结果

在这里插入图片描述

代码示例

/*
 * @File: voxel_grid.cpp
 * @Brief: pcl course
 * @Description: 展示VoxelGrid体素栅格采样效果
 * @Version: 0.0.1
 * @Author: MuYv
 */
#include <iostream>
#include <string>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>



int main(int argc, char** argv){
    
    
    if(argc != 2){
    
    
        std::cout<<"Usage: exec cloud_file_path"<<std::endl;
        return -1;
    }
    const std::string kCloudFilePath = argv[1];     // ../clouds/cabinet/cabinet_color_cloud.pcd

    // 定义变量
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_src(new pcl::PointCloud<pcl::PointXYZRGB>());
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>());

    // 成功返回0，失败返回-1
    if(-1 == pcl::io::loadPCDFile(kCloudFilePath,*cloud_src)){
    
    
        std::cout<<"load pcd file failed. please check it."<<std::endl;
        return -2;
    }

    // 创建体素栅格（模板）类对象，点数据类型为 pcl::PointXYZRGB
    pcl::VoxelGrid<pcl::PointXYZRGB> vg;
    // 设置叶子大小，也即体素格子尺寸，此处设置lx,ly,lz为相同数值，即为正方形
    const float kLeafSize = 0.08f;  // 单位与输入点云的尺度单位保持一致
    vg.setLeafSize(kLeafSize, kLeafSize, kLeafSize);
    // 设置输入点云，注意：此处传入的是点云类对象的智能指针
    vg.setInputCloud(cloud_src);
    // 执行过滤，并带出处理后的点云数据，注意：此处传入的是点云类对象
    vg.filter(*cloud_filtered);

    // 创建可视化对象
    pcl::visualization::PCLVisualizer viewer("viewer");

    // 将当前窗口，拆分成横向的2个可视化窗口，以viewport区分(v1/v2)
    int v1; 
    int v2;
    //窗口参数分别对应 x_min, y_min, x_max, y_max, viewport
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);  
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);

    // 添加2d文字标签
    viewer.addText("v1", 10,10, 20, 1,0,0, "viewport_v1", v1);
    viewer.addText("v2", 10,10, 20, 0,1,0, "viewport_v2", v2);

    // 添加坐标系
    viewer.addCoordinateSystem(0.5);    // 单位：m

    // 设置可视化窗口背景色
    viewer.setBackgroundColor(0.2,0.2,0.2);     // r,g,b  0~1之间

    // 向v1窗口中添加点云
    viewer.addPointCloud(cloud_src,"cloud_src",v1);
    // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_src");

    // 向v2窗口中添加点云
    viewer.addPointCloud(cloud_filtered,"cloud_filtered",v2);
    // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_filtered");

    // 关闭窗口则退出
    while(!viewer.wasStopped()){
    
    
        viewer.spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

总结

在进行点云数据处理时，如果输入的点云数据量过大，会导致整体处理流程非常耗时，这时可以通过对点云数据进行降采样将数据量减少，加快运行速度；
体素栅格采样在采样后，依然能保持点云数据的整体几何结构，而且通过设置最小内点数量，还能起到滤波的效果；

注：部分测试所用点云数据来源于网络，如有侵权，请联系博主删除，谢谢。