本文作者：William

前言：

對于大規(guī)模點云處理而言，直接對點云進行特征提取能較好地保留三維結構信息，但由于點云的無序性，直接處理的方式在對鄰域進行搜索時需要較高的計算成本，一個常用的解決方式就是對點云進行下采樣，將對全部點云的操作轉(zhuǎn)換到下采樣所得到的關鍵點上，從而達到降低計算量的目的?；蚴沁M行點云曲面重建時，所獲得的點云數(shù)量稀缺，則要對點云進行上采樣操作，來增加點云數(shù)量，以便更好的計算曲面特征。以下來介紹常用的點云采樣方法。

1.?體素下采樣

一般最常用的下采樣方法為體素化網(wǎng)格的采樣方法，即減少點的數(shù)量，并同時保持點云的形狀特征基本不變，同時基本上保留了空間結構信息。在點云配準、曲面重建、形狀識別等算法速度中非常實用。

體素下采樣的原理如圖1所示，首先將點云空間進行網(wǎng)格化，也稱體素化，即圖1(b)，網(wǎng)格化后的每一個格子稱為體素，在這些劃分為一個個極小的格子中包含一些點，然后對這些點取平均或加權平均得到一個點，以此來替代原來網(wǎng)格中所有的點，即圖1(c)中藍色的點。顯然，網(wǎng)格選取越大則采樣之后的點云越少，處理速度變快，但會對原先點云過度模糊，網(wǎng)格選取越小，則作用相反。

體素下采樣的特點是效率高，采樣點分布相對比較均勻，同時可以通過控制網(wǎng)格尺寸控制點間距，但是不能精確控制采樣點個數(shù)。

其核心代碼如下：

pcl::VoxelGrid<pcl::PointXYZ> sor; ? ?//創(chuàng)建體素網(wǎng)格采樣處理對象 sor.setInputCloud(cloud); ? ? ? ? ? ? //設置輸入點云 sor.setLeafSize(0.01f, 0.01f, 0.01f); //設置體素大小，單位：m sor.filter(*cloud_filtered); ? ? ? ? ?//進行下采樣

2.?均勻采樣

均勻采樣的原理類似于體素化網(wǎng)格采樣方法，同樣是將點云空間進行劃分，不過是以半徑=r的球體，在當前球體所有點中選擇距離球體中心最近的點替代所有點，注意，此時點的位置是不發(fā)生移動的。球體半徑選取越大則采樣之后的點云越少，處理速度變快，但會對原先點云過度模糊，網(wǎng)格選取越小，則作用相反。

均勻采樣的特點是采樣點分布均勻，不會移動點云點，準確度較高，但時間復雜度提升。

其核心代碼如下：

pcl::UniformSampling<pcl::PointXYZ> form; ? // 創(chuàng)建均勻采樣對象 form.setInputCloud(cloud); ? ? ? ? ? ? ? ? ?//設置輸入點云 form.setRadiusSearch(0.02f); ? ? ? ? ? ? ? ?//設置半徑大小,單位:m form.filter(*after_cloud); ? ? ? ? ? ? ? ? ?//執(zhí)行濾波處理

3.?幾何采樣

其原理是以點云的幾何特征作為采樣依據(jù)，這里以曲率為例。在點云中任意一點都存在某曲面，曲率計算示意圖如圖2所示，曲率越大，弧的彎曲程度越大，表示該地方的特征點越多，故在點云曲率越大的地方，采樣點數(shù)越多，實現(xiàn)方法如下：

1)首先計算每個點的K領域，然后計算點到領域點的法線夾角值，以此來近似達到曲率的效果并提高計算效率，因為曲率越大的地方，夾角值越大。

2)設置一個角度閾值，當點的領域夾角值大于閾值時被認為是特征明顯的區(qū)域，其余區(qū)域為不明顯區(qū)域。

3)對明顯和不明顯區(qū)域進行均勻采樣，采樣數(shù)分別為U*(1-V)和U*V,U是目標采樣數(shù)，V是均勻采樣性。

其特點是計算效率高，且局部點云的采樣是均勻的，同時穩(wěn)定性高，使得采樣結果的抗噪性更強。

4.?隨機下采樣

隨機下采樣的原理十分簡單，如圖3所示，首先指定下采樣的點數(shù)，然后進行隨機點去除進行采樣操作,得到圖3(b)。

隨機下采樣的特點是能控制輸出點云的數(shù)量，但隨機性太大，可能剔除點云的關鍵數(shù)據(jù)。

其核心代碼如下：

pcl::RandomSample<PointT> ran; ? ? //創(chuàng)建濾波器對象 ran.setInputCloud(cloud); ? //設置待濾波點云 ran.setSample(200); ? ? //設置下采樣點云的點數(shù) ran.setSeed(1); ? ? ?//設置隨機函數(shù)種子點 ran.filter(*after_cloud); ? //執(zhí)行隨機下采樣濾波

5.?增采樣

增采樣的原理如圖4所示，當目前擁有的點云數(shù)據(jù)量較少時，如圖4(a)，通過內(nèi)插點云的方法對目前的點云數(shù)據(jù)對進行擴充，如圖4(b)，達到保證基本形狀不變的情況下增加點云。

增采樣的特點是可極大的增加點云數(shù)據(jù)，但由于內(nèi)插點的不確定性會導致最后輸出的結果不一定準確。

其核心代碼如下:

//創(chuàng)建增采樣對象 pcl::MovingLeastSquares<pcl::PointXYZ,pcl::PointXYZ> filter; ? ? filter.setInputCloud(cloud); ? ? ? ? ? ? ? ? ? ? //設置輸入點云 pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree; ?//定義搜索方法 filter.setSearchMethod(kdtree); ? ? ? ? ? ? ? ? ?//設置搜索方法 filter.setSearchRadius(0.03); ? ?//設置搜索鄰域的半徑為3cm ? //Upsampling 采樣的方法還有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY filter.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE); ? ? //對點云進行上采樣 filter.setUpsamplingRadius(0.03); ? ?//設置采樣半徑大小，3cm filter.setUpsamplingStepSize(0.02); ?//設置采樣步長大小，2cm filter.process(*after_cloud); ? ? ?//執(zhí)行采樣操作

6.?滑動最小二乘法采樣

滑動最小二乘法采樣的原理是將點云進行了滑動最小二乘法的映射，使得輸出的點云更加平滑。

滑動最小二乘法的特點是適用于點云的光順處理，但有時會犧牲表面擬合精度的代價來獲得輸出點云。

其核心代碼如下：

pcl::PointCloud<pcl::PointNormal>::Ptr smoothedCloud(new pcl::PointCloud<pcl::PointNormal>); ? //定義法線 pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> filter; pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree; ?//定義搜索方法 filter.setInputCloud(cloud); ? ?//設置輸入點云 filter.setUpsamplingMethod(); ?//增加密度較小區(qū)域的密度對于holes的填補卻無能為力，具體方法要結合參數(shù)使用 filter.setSearchRadius(10);// 用于擬合的K近鄰半徑。在這個半徑里進行表面映射和曲面擬合。半徑越小擬合后曲面的失真度越小，反之有可能出現(xiàn)過擬合的現(xiàn)象。 filter.setPolynomialFit(true); ?//對于法線的估計是有多項式還是僅僅依靠切線。true為加多項式；false不加，速度較快 filter.setPolynomialFit(3); ? ? ?// 擬合曲線的階數(shù) filter.setComputeNormals(true); ?// 是否存儲點云的法向量，true 為存儲，false 不存儲 filter.setSearchMethod(kdtree); //設置搜索方法 filter.process(*smoothedCloud); //處理點云并輸出

總結：

以上就是常用的點云采樣方法，根據(jù)其特點我們來進行總結一下，在下采樣方法中，以體素化網(wǎng)格采樣方法最為常用，因為其速度快，代碼量少，且滿足大多數(shù)時的點云處理要求；均勻采樣雖然精度高，當耗時高，可以用于更追求精度的場合下；幾何采樣由于使用不多，方法很多，這里只是簡答介紹了一下曲率采樣，比較適用于不規(guī)則的且豐富表面特征的點云數(shù)據(jù)計算；隨機下采樣由于能準確控制點云的輸出數(shù)量，但過于隨機，較少使用；增采樣用于增加點云數(shù)據(jù)，更適合用于解決曲面重建時點云數(shù)量缺少的問題；而滑動最小二乘法同樣是對點云數(shù)量的擴充，但主要是對點云形狀進行平滑處理，所以更適合用來對點云結構進行優(yōu)化。