python地面点滤波 python实现CSF地面点滤波算法原理解析
点云侠 人气:2一、算法原理
布料模拟滤波处理流程:
1)利用点云滤波算法或者点云处理软件滤除异常点;
2)将激光雷达点云倒置;
3)设置模拟布料,设置布料网格分辨率 G R GR GR,确定模拟粒子数。布料的位置设置在点云最高点以上;
4)将布料模拟点和雷达点投影到水平面,为每个布料模拟点找到最相邻的激光点的高度值,将高度值设置为 I H V IHV IHV;
5)布料例子设置为可移动,布料粒子首先受到重力作用,当粒子高度 C H V CHV CHV小于 I H V IHV IHV时,将粒子高度设置为 I H V IHV IHV;粒子设置为不可移动;
6)计算布料粒子之间的内力作用,根据设置的布料刚性参数,调整布料粒子之间的相对位置;
7)重复进行5)和6)计算,迭代次数达到设置的最大迭代次数;
8)计算激光雷达点与对应布料模拟点的距离,距离小于阈值标记为地面点,距离大于阈值标记为非地面点。
二、读取las点云
参考链接: python读取las
1、GitHub: laspy
2、基础教程:Laspy: Documentation
3、安装:pip install laspy
4、使用example:
import laspy #============读取las格式的点云=========== inFile = laspy.file.File(r"40m1.las", mode='r') # 读取点云 print('X,Y,Z',inFile.x,inFile.y,inFile.z) # 输出点云坐标 print('点云个数:',len(inFile)) #读取点云个数 #============保存点云为las文件=========== h = inFile.header outFile = laspy.file.File('666.las', mode = "w", header=h) points = inFile #对点云进行的相关操作 outFile.points = points outFile.close() #关闭文件完成保存
三、算法源码
1、算法细节:CSF
2、源码获取:https://github.com/jianboqi/CSF
3、源码编译:下载源代码。在python文件夹下:
python setup.py build
python setup.py install
4、读取las并可视化算法结果
import laspy import CSF import numpy as np import open3d as o3d #============读取las文件============= inFile = laspy.file.File(r"40m1.las", mode='r') # read a las file points = inFile.points xyz = np.vstack((inFile.x, inFile.y, inFile.z)).transpose() # extract x, y, z and put into a list #============布料模拟滤波============ csf = CSF.CSF() # 参数设置 csf.params.bSloopSmooth = False #粒子设置为不可移动 csf.params.cloth_resolution = 0.1 #布料网格分辨率 csf.params.rigidness = 3 #布料刚性参数 csf.params.time_step = 0.65 csf.params.class_threshold = 0.03 #点云与布料模拟点的距离阈值 csf.params.interations = 500 #最大迭代次数 # more details about parameter: http://ramm.bnu.edu.cn/projects/CSF/download/ csf.setPointCloud(xyz) ground = CSF.VecInt() # 地面点索引列表 non_ground = CSF.VecInt() # 非地面点索引列表 csf.do_filtering(ground, non_ground) # 执行滤波 #============保存为las文件========== outFile = laspy.file.File(r"non_ground.las", mode='w', header=inFile.header) outFile.points = points[non_ground] # 提取非地面点保存到las outFile.close() # 关闭文件夹 a=xyz[ground] b=xyz[non_ground] #=============可视化=============== def view_cloud(a, b): pcd = o3d.geometry.PointCloud() # =====numpy转point======= pcd.points = o3d.utility.Vector3dVector(a) pcd1 = o3d.geometry.PointCloud() pcd1.points = o3d.utility.Vector3dVector(b) #=======自定义颜色======== pcd.paint_uniform_color([0, 1, 0]) pcd1.paint_uniform_color([1, 0, 0]) o3d.visualization.draw_geometries([pcd, pcd1],window_name='提取结果') o3d.visualization.draw_geometries([pcd1],window_name='非地面点') o3d.visualization.draw_geometries([pcd],window_name='地面点') view_cloud(a,b)
5、读取pcd文件并可视化结果
import open3d as o3d import CSF import numpy as np pc = o3d.io.read_point_cloud("数据//100m1.pcd") xyz = np.asarray(pc.points) csf = CSF.CSF() # prameter settings csf.params.bSloopSmooth = False csf.params.cloth_resolution = 0.1 csf.params.rigidness = 3 csf.params.time_step = 0.65 csf.params.class_threshold = 0.03 csf.params.interations = 500 # more details about parameter: http://ramm.bnu.edu.cn/projects/CSF/download/ csf.setPointCloud(xyz) ground = CSF.VecInt() # a list to indicate the index of ground points after calculation non_ground = CSF.VecInt() # a list to indicate the index of non-ground points after calculation csf.do_filtering(ground, non_ground) # do actual filtering. # o3d.io.write_point_cloud("trans_of_source.pcd", non_ground)#保存点云 a=xyz[ground] b=xyz[non_ground] def view_cloud(a, b): pcd = o3d.geometry.PointCloud() # From numpy to Open3D pcd.points = o3d.utility.Vector3dVector(a) pcd1 = o3d.geometry.PointCloud() # From numpy to Open3D pcd1.points = o3d.utility.Vector3dVector(b) pcd.paint_uniform_color([0, 1, 0]) pcd1.paint_uniform_color([1, 0, 0]) o3d.visualization.draw_geometries([pcd, pcd1],window_name='提取结果') o3d.visualization.draw_geometries([pcd1],window_name='非地面点') o3d.visualization.draw_geometries([pcd],window_name='地面点') view_cloud(a,b)
四、结果展示
五、CloudCompare实现
1、加载点云数据,点击Plugins中的CSF Filter功能
2、弹出如下窗口:
图中:Cloth resolution:是指用于覆盖地形的布的网格大小(单位与点云的单位相同)。你设置的布分辨率越大,你得到的DTM就越粗糙;Max iterations:是指地形仿真的最大迭代次数。500对大多数场景来说都足够了。Classification threshold:是指根据点与模拟地形之间的距离,将点云划分为地面和非地面部分的阈值。0.5适用于大多数场景
这里的网格分辨率和距离阈值最小只能设置为10cm,地面10cm的范围默认是地面点,精确度不如自己代码实现中的高。
3、最后得到的结果:
可以看出,非地面点中不能提取到路缘石。
加载全部内容