本站使用了 Pjax 等基于 JavaScript 的开发技术,但您的浏览器已禁用 JavaScript,请开启 JavaScript 以保证网站正常显示!

pcl计算点云分辨率

空间分辨率

引用百度百科的解释

空间分辨率,是指遥感图像上能够详细区分的最小单元的尺寸或大小,是用来表征影像分辨地面目标细节的指标。通常用像元大小、像解率或视场角来表示。
空间分辨率是评价传感器性能和遥感信息的重要指标之一,也是识别地物形状大小的重要依据。

但是在三维空间上是没有二维图像这般像元量化的,所以也无法得到实际的上的“像元”,而分辨率是体现图像的细节细腻程度,放到点云上能体现物体细节细腻程度的只有点云的密集程度了,而这个密集程度可以用两点之间间隔距离来表示。接下来要求的便是点云中平均两点之间的距离为。

计算方法

计算方法非常简单,步骤如下

  • step1: 遍历点云中的每一个点
  • step2: 找到与其最近的点,并求出两点距离
  • step3: 累加两点距离之和,并除以点云数量(剔除无效点),所得结果便是点云空间分辨率

实现代码

代码非常简单,完整的实现代码如下

double MatchModel::ComputeCloudResolution(const pcl::PointCloud<pcl::PointXYZ>::ConstPtr& cloud)
{
    double res = 0.0;
    int n_points = 0;
    int nres;
    std::vector<int> indices(2);
    std::vector<float> sqr_distances(2);
    //step1: 新建kdtree用于搜索
    pcl::search::KdTree<PointXYZ> tree;
    tree.setInputCloud(cloud);
    
    //step2: 遍历点云每个点,并找出与它距离最近的点
    for (size_t i = 0; i < cloud->size(); ++i)
    {
        if (!pcl_isfinite((*cloud)[i].x))
        {
            continue;
        }
        // 取第二个距离,因为第一个是它本身
        nres = tree.nearestKSearch(i, 2, indices, sqr_distances);
        //step3: 统计最小距离和、有效点数量
        if (nres == 2)
        {
            res += sqrt(sqr_distances[1]);
            ++n_points;
        }
    }

    //step4: 计算空间分辨率
    if (n_points != 0)
    {
        res /= n_points;
    }
    return res;
}

本文由芒果浩明发布,转载请注明出处。
本文链接:https://mangoroom.cn/pcl/how-to-compute-resolution-of-cloud.html


 继续浏览关于 pclresolution 的文章

 本文最后更新于:2020/10/09 20:24:19,可能因经年累月而与现状有所差异

 引用转载请注明:芒果的Blog > PCL > pcl计算点云分辨率