PCL学习笔记5-sample consensus采样一致性算法

PCL几种采样方法 - Being_young - 博客园

PCL常见采样方法

下采样 Downsampling 通过构造一个三维体素栅格，用每个体素内所有点的重心近似该体素其他点，达到滤波的效果，这样就大大的减少了数据量。在配准，曲面重建等工作之前作为预处理

均匀采样 输出的点云是选择的关键点在计算描述子的常见方式

增采样 增采样是一种表面重建方法，增采样可以帮你恢复原有的表面，通过内插目前拥有的点云数据

表面重建        深度传感器的测量不准确带来的点云测量误差，比如离群点，孔等表面，可以用一个算法重建表面，遍历所有的点云和插值数据，试图重建原来的表面。由此产生的点云的法线将更准确。

在PCL中设计的采样一致性算法的应用主要是点云分割，根据设定的不同的几个模型，估计对应的几何参数模型的参数，在一定容许的范围内分割出在模型上的点云。

RANSAC算法流程：

1. 假设一个适用于局内点的模型，用一组随机子集数据，计算出未知参数

2. 用1中的参数模型测试其他数据，如果在阈值内认为是局内点，将局内点添加到子集中

3. 如果子集内有足够多的局内点，则说明模型是合理的

4. 用子集中所有数据重新估计模型参数

5. 使用局内点与模型的错误率评估模型

相当于先选出内点，在用所有内点估计模型参数。