对于大规模点云处理而言，直接对点云进行特征提取能较好地保留三维结构信息，但由于点云的无序性，直接处理的方式在对邻域进行搜索时需要较高的计算成本。一个常用的解决方式就是对点云进行下采样，将对全部点云的操作转换到下采样所得到的关键点上，从而达到降低计算量的目的。或是进行点云曲面重建时，所获得的点云数量稀缺，则要对点云进行上采样操作，来增加点云数量，以便更好的计算曲面特征。随机下采样的原理十分简单，如图3所示，首先指定下采样的点数，然后进行随机点去除进行采样操作,得到图3(b)。随机下采样的特点是能控制输出点云的数量，但随机性太大，可能剔除点云的关键数据。pcl::RandomSample<PointT> ran; //创建滤波器对象ran.setInputCloud(cloud); //设置待滤波点云ran.setSample(200); //设置下采样点云的点数ran.setSeed(1); //设置随机函数种子点ran.filter(*after_cloud); //执行随机下采样滤波
增采样的原理如图4所示，当目前拥有的点云数据量较少时，如图4(a)，通过内插点云的方法对目前的点云数据对进行扩充，如图4(b)，达到保证基本形状不变的情况下增加点云。增采样的特点是可极大的增加点云数据，但由于内插点的不确定性会导致最后输出的结果不一定准确。//创建增采样对象pcl::MovingLeastSquares<pcl::PointXYZ,pcl::PointXYZ> filter; filter.setInputCloud(cloud); //设置输入点云pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree; //定义搜索方法filter.setSearchMethod(kdtree); //设置搜索方法filter.setSearchRadius(0.03); //设置搜索邻域的半径为3cm //Upsampling 采样的方法还有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITYfilter.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE); //对点云进行上采样filter.setUpsamplingRadius(0.03); //设置采样半径大小，3cmfilter.setUpsamplingStepSize(0.02); //设置采样步长大小，2cmfilter.process(*after_cloud); //执行采样操作
滑动最小二乘法采样的原理是将点云进行了滑动最小二乘法的映射，使得输出的点云更加平滑。滑动最小二乘法的特点是适用于点云的光顺处理，但有时会牺牲表面拟合精度的代价来获得输出点云。pcl::PointCloud<pcl::PointNormal>::Ptr smoothedCloud(new pcl::PointCloud<pcl::PointNormal>); //定义法线pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> filter;pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree; //定义搜索方法filter.setInputCloud(cloud); //设置输入点云filter.setUpsamplingMethod(); //增加密度较小区域的密度对于holes的填补却无能为力，具体方法要结合参数使用filter.setSearchRadius(10);// 用于拟合的K近邻半径。在这个半径里进行表面映射和曲面拟合。半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。filter.setPolynomialFit(true); //对于法线的估计是有多项式还是仅仅依靠切线。true为加多项式；false不加，速度较快filter.setPolynomialFit(3); // 拟合曲线的阶数filter.setComputeNormals(true); // 是否存储点云的法向量，true 为存储，false 不存储filter.setSearchMethod(kdtree); //设置搜索方法filter.process(*smoothedCloud); //处理点云并输出
以上就是常用的点云采样方法，根据其特点我们来进行总结一下：在下采样方法中，以体素化网格采样方法最为常用，因为其速度快，代码量少，且满足大多数时的点云处理要求；均匀采样虽然精度高，当耗时高，可以用于更追求精度的场合下；几何采样由于使用不多，方法很多，这里只是简答介绍了一下曲率采样，比较适用于不规则的且丰富表面特征的点云数据计算；随机下采样由于能准确控制点云的输出数量，但过于随机，较少使用；增采样用于增加点云数据，更适合用于解决曲面重建时点云数量缺少的问题；而滑动最小二乘法同样是对点云数量的扩充，但主要是对点云形状进行平滑处理，所以更适合用来对点云结构进行优化。深蓝学院是专注于人工智能的在线教育平台，已有数万名伙伴在深蓝学院平台学习，很多都来自于国内外知名院校，比如清华、北大等。
