RANSAC法拟合平面的实现

2023-11-10 03:40
文章标签 实现 拟合 平面 ransac

本文主要是介绍RANSAC法拟合平面的实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

RANSAC法拟合平面

本文衔接前一篇《最小二乘法实现平面拟合》，基于C++实现了PCL官方的平面拟合，用一个复杂铸件的点云图像进行测试。时间有限，难以确保程序不会出现bug，该文章仅供参考。

效果

请添加图片描述
原点云换一个角度
请添加图片描述
原点云是一个复杂的铸件，通过RANSAC法拟合平面将铸件点云分割为许多个平面。

与PCL官网提供的接口的效果进行对比，下图为官方接口的效果，可以看出自己复现的算法与官方提供的算法接口效果基本相同。

请添加图片描述

RANSAC原理

计算机视觉基本原理——RANSAC

算法逻辑

1、在未经处理过的点云上随机取3个点，用这3个点拟合一个平面（方法参考《PCL最小二乘法拟合平面》）。

2、若拟合平面的内点数量达到一定阈值则将这次迭代的内点与外点都保存到一个容器内。

3、重复迭代1、2步骤一定的次数。

4、选择内点容器内元素中点的数量最多的元素作为结果保存在结果容器中，外点容器中对应的元素作为第一步的输入点云重复上述流程，直到结果容器中的点的个数超过一定阈值，结束迭代。

算法实现

将上述提到的最小二乘法封装成了一个类

dl_planefitting.h

#ifndef DL_PLANEFITTING_H
#define DL_PLANEFITTING_H#include <QObject>
#include<pcl/io/io.h>
#include<pcl/io/pcd_io.h>//pcd 读写类相关的头文件。
#include<pcl/io/ply_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include<Eigen/Dense>
#include <random>
#include <windows.h>//平面拟合类
class DL_Plane : public QObject
{Q_OBJECT
public:explicit DL_Plane(QObject *parent = nullptr);/*https://blog.csdn.net/konglingshneg/article/details/82585868设平面方程为ax+by+cz+d=0两边同时除d则有(a/d)X+(b/d)Y+(c/d)z+1=0令a0=-a/c;a1=-b/c;a2=-d/c 即（a0/a2）X+（a1/a2）Y +（-1/a2）Z+1=0最后直线方程写成AX+BY+CZ+1=0*///平面表示参数double A;double B;double C;//距离阈值double distance = 1.0;//拟合点pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_;//平面内点pcl::PointCloud<pcl::PointXYZ>::Ptr plane_;//平面外点pcl::PointCloud<pcl::PointXYZ>::Ptr nonplane_;//平面拟合Eigen::Vector3d getFlat(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud);//设置输入点云void setInputCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud);//更新平面参数void updateParameter(Eigen::Vector3d x);//求点到平面距离double getDistance(pcl::PointXYZ point);//求平面点云void planeFitting(double dis);//取平面点云pcl::PointCloud<pcl::PointXYZ>::Ptr getPlanePoints(void);//设置参数void setParameter(double dis);//平面拟合处理void planeProcess(void);//点云可视化void showCloud(std::string windowname,pcl::PointCloud<pcl::PointXYZ>::Ptr cloud);
private://拟合平面参数double a0;double a1;double a2;
signals:public slots:
};//RANSAC法拟合类
class DL_PlaneFitting : public DL_Plane
{
public://总点的数量int all_pointsnum;//迭代次数int iteration_time = 1000;//距离阈值double dis_threshold = 2.0;//平面点数量与点云总数最小比例double min_rate = 0.05;//终止条件double stop_rate = 0.25;//内点点集std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> plane_points_;//最终输出std::vector<std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr>> result_;//对应输出点集的int列表std::vector<int> max_output;DL_PlaneFitting();void updatePlaneParameter(DL_Plane *dl_plane,Eigen::Vector3d x);//参数设置void setIterationTime(int num){iteration_time = num;}void setDisThreshold(double dis){dis_threshold = dis;}void setMinRate(double rate){min_rate = rate;}void setStopRate(double rate){stop_rate = rate;}//RANSAC法拟合平面void ransacPlaneFitting();void getResultPlanes();
private:double dis;//随机生成的三个假平面点pcl::PointCloud<pcl::PointXYZ>::Ptr flatpoints_;//从点云中随机生成三个点void randomGenerate(pcl::PointCloud<pcl::PointXYZ>::Ptr restpoints,int p_num);
};#endif // DL_PLANEFITTING_H

dl_planefitting.cpp

#include "dl_planefitting.h"DL_Plane::DL_Plane(QObject *parent) : QObject(parent)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr plane (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr nonplane (new pcl::PointCloud<pcl::PointXYZ>);cloud_ = cloud;plane_ = plane;nonplane_ = nonplane;
}//设置输入点云
void DL_Plane::setInputCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud){cloud_ = cloud;
}//求解点到平面距离(使用前要更新平面参数)
double DL_Plane::getDistance(pcl::PointXYZ point){double up = std::abs(A*point.x+B*point.y+C*point.z+1);double down = std::sqrt(std::pow(A,2)+std::pow(B,2)+std::pow(C,2));double dis = up/down;return dis;
}//平面拟合算法
Eigen::Vector3d DL_Plane::getFlat(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud){Eigen::Matrix3d rot;double x2,xy,x,y2,y,zx,zy,z;for(int i=0;i<cloud->points.size();i++){x2 += cloud->points[i].x * cloud->points[i].x;xy += cloud->points[i].x * cloud->points[i].y;x += cloud->points[i].x;y2 += cloud->points[i].y * cloud->points[i].y;y += cloud->points[i].y;zx += cloud->points[i].x * cloud->points[i].z;zy += cloud->points[i].y * cloud->points[i].z;z += cloud->points[i].z;}//为矩阵赋值rot<<x2,  xy,  x,xy,  y2,  y,x,   y,   cloud->points.size();//为列向量赋值Eigen::Vector3d eq(zx,zy,z);Eigen::Vector3d X = rot.colPivHouseholderQr().solve(eq);
//    std::cout<<X<<std::endl;
//    std::cout<<X[0]<<" "<<X[1]<<" "<<X[2]<<std::endl;return X;
}//更新平面参数
void DL_Plane::updateParameter(Eigen::Vector3d x){a0 = x[0];a1 = x[1];a2 = x[2];A=a0/a2;B=a1/a2;C=-1/a2;
}//求平面内点
void DL_Plane::planeFitting(double dis){plane_->clear();for (int i=0;i<cloud_->points.size();i++){if(getDistance(cloud_->points[i])<dis){plane_->points.push_back(cloud_->points[i]);}else{nonplane_->points.push_back(cloud_->points[i]);//std::cout<<"dis:"<<getDistance(cloud->points[i])<<std::endl;}}
}//取平面点云
pcl::PointCloud<pcl::PointXYZ>::Ptr DL_Plane::getPlanePoints(void){return plane_;
}//设置距离参数
void DL_Plane::setParameter(double dis){distance = dis;
}//平面拟合处理
void DL_Plane::planeProcess(void){Eigen::Vector3d result = getFlat(this->cloud_);updateParameter(result);planeFitting(this->distance);
}//点云可视化
void DL_Plane::showCloud(std::string windowname,pcl::PointCloud<pcl::PointXYZ>::Ptr cloud){pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer (windowname));viewer->setBackgroundColor (0.5, 0.5, 0.5);  //设置背景viewer->addPointCloud<pcl::PointXYZ> (cloud, "sample cloud");  //显示点云viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");  //设置点尺寸viewer->addCoordinateSystem (100.0);  //设置坐标轴尺寸
//    while (!viewer->wasStopped ())
//    {
//      viewer->spinOnce (100);
//      boost::this_thread::sleep (boost::posix_time::microseconds (100000));
//    }//cout<<"Point couting in "<<windowname<<": "<<cloud->size()<<endl;
}DL_PlaneFitting::DL_PlaneFitting(){}//更新平面参数
void DL_PlaneFitting::updatePlaneParameter(DL_Plane *dl_plane, Eigen::Vector3d x){dl_plane->updateParameter(x);
}//随机生成三个点，存在flatpoints中
void DL_PlaneFitting::randomGenerate(pcl::PointCloud<pcl::PointXYZ>::Ptr restpoints,int p_num){// 生成随机的三个点拟合平面LARGE_INTEGER seed;QueryPerformanceFrequency(&seed);QueryPerformanceCounter(&seed);srand(seed.QuadPart);pcl::PointCloud<pcl::PointXYZ>::Ptr flatpoints(new pcl::PointCloud<pcl::PointXYZ>);for (int i=0;i<p_num;i++){int index1 = rand()%restpoints->points.size();flatpoints->points.push_back(restpoints->points[index1]);
//        std::cout<<" "<<i<<":"<<index1;}
//    std::cout<<std::endl;flatpoints_ = flatpoints;
}//RANSAC法拟合平面
void DL_PlaneFitting::ransacPlaneFitting(){//记录原点云数量int total_num = cloud_->points.size();std::cout<<"原点云总数："<<total_num<<std::endl;//存放结果std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> result;//存放剩余的点pcl::PointCloud<pcl::PointXYZ>::Ptr restpoints(new pcl::PointCloud<pcl::PointXYZ>);restpoints->points = cloud_->points;//存放每次迭代的点云std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> max_Planes;//存放每次迭代剩余的点云std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> rest_Planes;int N=0;while(restpoints->points.size()>stop_rate*total_num){N+=1;std::cout<<"第"<<N<<"次迭代比例为:"<<double((restpoints->points.size()+0.01)/total_num)<<std::endl;max_Planes.clear();rest_Planes.clear();//设置每层迭代次数int n=iteration_time;while(--n>0){randomGenerate(restpoints,3);DL_Plane dl_plane;dl_plane.setInputCloud(restpoints);Eigen::Vector3d result = dl_plane.getFlat(flatpoints_);dl_plane.updateParameter(result);//设置拟合平面点的距离阈值dl_plane.planeFitting(dis_threshold);//如果拟合平面的内点数量符合要求if(dl_plane.plane_->points.size()>min_rate*total_num){max_Planes.push_back(dl_plane.plane_);rest_Planes.push_back(dl_plane.nonplane_);}}//提取最大平面作为其中一个结果int max_num=0;int index = -1;for (int i=0;i<max_Planes.size();i++){if (max_Planes[i]->points.size()>max_num){max_num = max_Planes[i]->points.size();index = i;}}result.push_back(max_Planes[index]);//重新设置剩余的点restpoints->points = rest_Planes[index]->points;std::cout<<"剩余的点的数量"<<restpoints->points.size()<<std::endl;//showCloud("cloud"+std::to_string(index),max_Planes[index]);}for(int i=0;i<result.size();i++){showCloud("cloud"+std::to_string(i),result[i]);}
}

main.cpp

#include <QCoreApplication>
#include<opencv2\opencv.hpp>
#include<pcl/io/io.h>
#include<pcl/io/pcd_io.h>//pcd 读写类相关的头文件。
#include<pcl/io/ply_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include<Eigen/Dense>
#include <dl_planefitting.h>#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/features/normal_3d.h>
#include <pcl/search/kdtree.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/segmentation/extract_clusters.h>int main(int argc, char *argv[])
{QCoreApplication a(argc, argv);DL_Plane dl_plane;pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::io::loadPCDFile<pcl::PointXYZ>("D:\\Qt_Project\\result.pcd",*cloud);dl_plane.showCloud("原点云",cloud);/*///PCL提供的平面拟合*/
//    pcl::VoxelGrid<pcl::PointXYZ> vg;
//    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
//    vg.setInputCloud (cloud);
//    vg.setLeafSize (0.1f, 0.1f, 0.1f);
//    vg.filter (*cloud_filtered);//    std::cout << "PointCloud after filtering has: " << cloud_filtered->size ()  << " data points." << std::endl; //*
//    // Create the segmentation object for the planar model and set all the parameters
//    pcl::SACSegmentation<pcl::PointXYZ> seg;
//    pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
//    pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
//    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_plane (new pcl::PointCloud<pcl::PointXYZ> ());
//    seg.setOptimizeCoefficients (true);
//    seg.setModelType (pcl::SACMODEL_PLANE);
//    seg.setMethodType (pcl::SAC_RANSAC);
//    seg.setMaxIterations (1000);
//    seg.setDistanceThreshold (1.0);
//    int nr_points = (int) cloud_filtered->size ();
//    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_f (new pcl::PointCloud<pcl::PointXYZ>);
//    int i=0;
//    while (cloud_filtered->size () > 0.3 * nr_points)
//    {
//     // Segment the largest planar component from the remaining cloud
//         seg.setInputCloud (cloud_filtered);
//         seg.segment (*inliers, *coefficients);
//         if (inliers->indices.size () == 0)
//         {
//             std::cout << "Could not estimate a planar model for the given dataset." << std::endl;
//             break;
//         }
//         // Extract the planar inliers from the input cloud
//         pcl::ExtractIndices<pcl::PointXYZ> extract;
//         extract.setInputCloud (cloud_filtered);
//         extract.setIndices (inliers);
//         extract.setNegative (false);
//         // Get the points associated with the planar surface
//         extract.filter (*cloud_plane);
//         if(cloud_plane->size()>500){
//             dl_plane.showCloud("cloud"+std::to_string(i),cloud_plane);
//             i+=1;
//             double time = cloud_filtered->size ()/cloud_plane->points.size();
//             std::cout<<"size"<<i<<" :"<<time<<std::endl;
//         }
//         std::cout << "PointCloud representing the planar component: " << cloud_plane->size () << " data points." << std::endl;
//         // Remove the planar inliers, extract the rest
//         extract.setNegative (true);
//         extract.filter (*cloud_f);
//         *cloud_filtered = *cloud_f;
//     }/*//*/DL_PlaneFitting dl_planefitting;dl_planefitting.cloud_ = cloud;dl_planefitting.setIterationTime(1000);dl_planefitting.setDisThreshold(2.0);dl_planefitting.setMinRate(0.05);dl_planefitting.setStopRate(0.27);dl_planefitting.ransacPlaneFitting();return a.exec();
}

上述完整代码
上传了工程代码与数据集。但是这个数据集是后面重新导出的，没有很认真做预处理，所以在迭代的时候可能会失败无法迭代出结果，可以调整参数集合，多试几次。
想要拿到原始数据集的话可以看我的这篇博客
tiff转PCL
这篇介绍了如何从一张记录了点云三个维度信息的.tiff文件转为点云文件。

因为本文只是对着原理简单实现了RANSAC的平面拟合，主要是为了参考学习，当然还有很多不足之处----速度远低于官方接口，也没有对失败迭代的情况进行回溯，难以避免会有拟合失败的情况出现。

成功转成点云之后不能直接拿过来RANSAC拟合，要效仿官方接口对其进行预处理。（直通滤波、离群滤波之类的）将数据集处理成比较漂亮的时候迭代成功率会很高。

这篇关于RANSAC法拟合平面的实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/380198。

相关文章

C++中零拷贝的多种实现方式

C++中零拷贝的多种实现方式

《C++中零拷贝的多种实现方式》本文主要介绍了C++中零拷贝的实现示例,旨在在减少数据在内存中的不必要复制,从而提高程序性能、降低内存使用并减少CPU消耗,零拷贝技术通过多种方式实现,下面就来了解一下... 目录一、C++中零拷贝技术的核心概念二、std::string_view 简介三、std::stri
阅读更多...
C++高效内存池实现减少动态分配开销的解决方案

C++高效内存池实现减少动态分配开销的解决方案

《C++高效内存池实现减少动态分配开销的解决方案》C++动态内存分配存在系统调用开销、碎片化和锁竞争等性能问题,内存池通过预分配、分块管理和缓存复用解决这些问题,下面就来了解一下... 目录一、C++内存分配的性能挑战二、内存池技术的核心原理三、主流内存池实现：TCMalloc与Jemalloc1. TCM
阅读更多...
OpenCV实现实时颜色检测的示例

OpenCV实现实时颜色检测的示例

《OpenCV实现实时颜色检测的示例》本文主要介绍了OpenCV实现实时颜色检测的示例,通过HSV色彩空间转换和色调范围判断实现红黄绿蓝颜色检测,包含视频捕捉、区域标记、颜色分析等功能,具有一定的参考... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间
阅读更多...
Python实现精准提取 PDF中的文本,表格与图片

Python实现精准提取 PDF中的文本,表格与图片

《Python实现精准提取PDF中的文本,表格与图片》在实际的系统开发中,处理PDF文件不仅限于读取整页文本,还有提取文档中的表格数据,图片或特定区域的内容,下面我们来看看如何使用Python实... 目录安装 python 库提取 PDF 文本内容：获取整页文本与指定区域内容获取页面上的所有文本内容获取
阅读更多...
基于Python实现一个Windows Tree命令工具

基于Python实现一个Windows Tree命令工具

《基于Python实现一个WindowsTree命令工具》今天想要在Windows平台的CMD命令终端窗口中使用像Linux下的tree命令,打印一下目录结构层级树,然而还真有tree命令,但是发现... 目录引言实现代码使用说明可用选项示例用法功能特点添加到环境变量方法一：创建批处理文件并添加到PATH1
阅读更多...
Java使用HttpClient实现图片下载与本地保存功能

Java使用HttpClient实现图片下载与本地保存功能

《Java使用HttpClient实现图片下载与本地保存功能》在当今数字化时代,网络资源的获取与处理已成为软件开发中的常见需求,其中,图片作为网络上最常见的资源之一,其下载与保存功能在许多应用场景中都... 目录引言一、Apache HttpClient简介二、技术栈与环境准备三、实现图片下载与保存功能1.
阅读更多...
canal实现mysql数据同步的详细过程

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》：本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal
阅读更多...
Nexus安装和启动的实现教程

Nexus安装和启动的实现教程

《Nexus安装和启动的实现教程》：本文主要介绍Nexus安装和启动的实现教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、Nexus下载二、Nexus安装和启动三、关闭Nexus总结一、Nexus下载官方下载链接：DownloadWindows系统根
阅读更多...
SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

《SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程》LiteFlow是一款专注于逻辑驱动流程编排的轻量级框架,它以组件化方式快速构建和执行业务流程,有效解耦复杂业务逻辑,下面给大... 目录一、基础概念1.1 组件（Component）1.2 规则（Rule）1.3 上下文（Conte
阅读更多...
MySQL 横向衍生表(Lateral Derived Tables)的实现

MySQL 横向衍生表(Lateral Derived Tables)的实现

《MySQL横向衍生表(LateralDerivedTables)的实现》横向衍生表适用于在需要通过子查询获取中间结果集的场景,相对于普通衍生表,横向衍生表可以引用在其之前出现过的表名,本文就来... 目录一、横向衍生表用法示例1.1 用法示例1.2 使用建议前面我们介绍过mysql中的衍生表（From子句
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2