PCL入门系列 —— ConditionalRemoval 点云条件滤波

• • 前言
  • 程序说明
  • 输出结果
  • 代码示例
  • 总结

随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。

为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单直观地感受到当前所用算法模块的执行效果。

后续会逐步扩增与工业机器视觉相关的一些其它内容，如：

项目案例剖析、场景数据分析、基础算法模块、相机评测 等；

如有兴趣可加入群聊（若入群二维码被屏蔽，则可以通过Q群（1032861997）或评论、私信博主“群聊”，邀请入群），与同道同学及圈内同行一起交流讨论。

展示 ConditionalRemoval 点云条件滤波效果；

#include 
#include 
#include 
#include 
#include 
#include 
#include 



int main(int argc, char** argv){
    if(argc != 2){
        std::cout<<"Usage: exec cloud_file_path"<::Ptr  
                cloud_src(new pcl::PointCloud());
    pcl::PointCloud::Ptr 
                cloud_filtered(new pcl::PointCloud());

    // 成功返回0，失败返回-1
    if(-1 == pcl::io::loadPCDFile(kCloudFilePath,*cloud_src)){
        std::cout<<"load pcd file failed. please check it."<::Ptr 
                range_cond(new pcl::ConditionAnd());
    // z值 大于0.0
    range_cond->addComparison(pcl::FieldComparison::ConstPtr  
        (new pcl::FieldComparison("z",pcl::ComparisonOps::GT,0.0)));    
    // z值 小于2.5
    range_cond->addComparison(pcl::FieldComparison::ConstPtr 
        (new pcl::FieldComparison("z",pcl::ComparisonOps::LT,2.5)));    
    // 创建条件滤波器类对象
    pcl::ConditionalRemoval condrem;
    // 设置滤波条件
    condrem.setCondition(range_cond);
    // 设置输入点云
    condrem.setInputCloud(cloud_src);
    // 设置是否保持有序，若输入为有序点云，可以设置为true
    condrem.setKeepOrganized(false);
    // 执行滤波，并带出滤波后的结果数据
    condrem.filter(*cloud_filtered);

    // 创建可视化对象
    pcl::visualization::PCLVisualizer viewer("viewer");

    // 将当前窗口，拆分成横向的2个可视化窗口，以viewport区分(v1/v2)
    int v1; 
    int v2;
    //窗口参数分别对应 x_min, y_min, x_max, y_max, viewport
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);  
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);

    // 添加2d文字标签
    viewer.addText("v1", 10,10, 20, 1,0,0, "viewport_v1", v1);
    viewer.addText("v2", 10,10, 20, 0,1,0, "viewport_v2", v2);

    // 添加坐标系
    viewer.addCoordinateSystem(0.5);    // 单位：m

    // 设置可视化窗口背景色
    viewer.setBackgroundColor(0.2,0.2,0.2);     // r,g,b  0~1之间

    // 向v1窗口中添加点云
    viewer.addPointCloud(cloud_src,"cloud_src",v1);
    // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    viewer.setPointCloudRenderingProperties 
            (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_src");

    // 向v2窗口中添加点云
    viewer.addPointCloud(cloud_filtered,"cloud_filtered",v2);
    // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    viewer.setPointCloudRenderingProperties 
            (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_filtered");

    // 关闭窗口则退出
    while(!viewer.wasStopped()){
        viewer.spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

如果判定条件较为复杂，建议手动实现点云遍历和条件判定；

注：部分测试所用点云数据来源于网络，如有侵权，请联系博主删除，谢谢。