博客轉載自：http://www.cnblogs.com/ironstark/p/5046479.html

關鍵點又稱為感興趣的點，是低層次視覺通往高層次視覺的捷徑，抑或是高層次感知對低層次處理手段的妥協。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　——三維視覺關鍵點檢測

1.關鍵點，線，面

關鍵點 = 特征點；

關鍵線 = 邊緣；

關鍵面 = foreground；

上述三個概念在信息學中幾乎占據了統治地位。比如1維的函數（信號），有各種手段去得到某個所謂的關鍵點，有極值點，拐點...二維的圖像，特征點提取算法是標定算法的核心（harris),邊緣提取算法更是備受矚目（canny,LOG.....)，當然，對二維的圖像也有區域所謂的前景分割算法用于提取感興趣的區域，但那屬于較高層次的視覺，本文不討論。 由此可以推斷，三維視覺應該同時具備：關鍵點，關鍵線，關鍵面三種算法。本質上，關鍵面算法就是我們之前一文中討論的分割算法（三維點云不是實心的）。關于關鍵點更多的信息可以參考：特征檢測

ok,在這里我們了解到了，要在n維信息中提取n-1維信息是簡單的，但n-2維信息會比n-1維要不穩定或者復雜的多。很容易想象，圖像的邊緣處理算法所得到的結果一般大同小異，但關鍵點提取算法的結果可以是千差萬別的。主要原因是降維過大后，特征的定義很模糊，很難描述清楚對一幅圖像來說，到底怎樣的點才是關鍵點。所以，對3維點云來說，關鍵點的描述就更難了。點云也有1維邊緣檢測算法，本文不做討論。單說說關鍵點提取。

2.來自點云的降維打擊

圖像的Harris角點算子將圖像的關鍵點定義為角點。角點也就是物體邊緣的交點，harris算子利用角點在兩個方向的灰度協方差矩陣響應都很大，來定義角點。既然關鍵點在二維圖像中已經被成功定義且使用了，看來在三維點云中可以沿用二維圖像的定義...不過今天要講的是另外一種思路，簡單粗暴，直接把三維的點云投射成二維的圖像不就好了。這種投射方法叫做range_image.

首先放上一張range_imge和點云圖像的合照：

看起來像個眼睛的那玩意就是range_image. 至于它為什么像個眼睛，就要從它的出生開始說起了。三維點云有多種采集方式，最為著名的是結構光，飛秒相機，雙目視覺。簡而言之，采集都離不開相機。用相機拍照當然就存在相機的光心坐標原點 Oc 以及主光軸方向 Z. 從這個點，有一種辦法可以將三維數據映射到2維平面上。首先，將某點到光心Oc的距離映射成深度圖的灰度或顏色（灰度只有256級但顏色卻可接近連續變化）。除此之外，再定義一下怎樣將點云映射到圖像的橫縱坐標上就可以了。

任意一點都要和光心進行連線.....這么聽起來很熟悉....好像有點像球坐標的意思。球坐標長下面這張圖這樣。

深度圖中的橫，縱坐標實際上是a和phi，如果要保證沿著場景中某條直線移動，a線性變化phi卻先增大后減小。這也就造成了深度圖像一個眼睛一樣。但這并不妨礙什么，phi沒有定義的地方可以使用深度無限大來代替。

將點云轉成深度圖，只需要確定一個直角坐標系，角分辨率，a范圍，phi范圍即可。畢竟這只是一個直角坐標轉球坐標的工作而已。

這樣做顯然是有好處的，首先，這是一種除了八叉樹，kd_tree之外，能夠將點云的空間關系表達出來的手段。每個點云都有了橫，縱，深，三個坐標，并且這種坐標原點的設定方式，在理論上是不會存在干涉的（從原點出發的一條線理論上不會遇到多余1個點）。于是點云的空間關系就自然的被編碼與深度圖中。

顯然，圖像中的關鍵點檢測算子就可以被移植到點云特征點求取中來了。

3.基于PCL的點云-深度圖轉換

//rangeImage也是PCL的基本數據結構 pcl::RangeImage rangeImage; //角分辨率 float angularResolution = (float) ( 1.0f * (M_PI/180.0f)); // 1.0 degree in radians //phi可以取360°float maxAngleWidth = (float) (360.0f * (M_PI/180.0f)); // 360.0 degree in radians //a取180°float maxAngleHeight = (float) (180.0f * (M_PI/180.0f)); // 180.0 degree in radians //半圓掃一圈就是整個圖像了//傳感器朝向Eigen::Affine3f sensorPose = (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f); //除了三維相機模式還可以選結構光模式pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME; //noise level表示的是容差率，因為1°X1°的空間內很可能不止一個點，noise level = 0則表示去最近點的距離作為像素值，如果=0.05則表示在最近點及其后5cm范圍內求個平均距離float noiseLevel=0.00; //minRange表示深度最小值，如果=0則表示取1°X1°的空間內最遠點，近的都忽略float minRange = 0.0f; //bordersieze表示圖像周邊點 int borderSize = 1; //基本數據結構直接打印是ok的std::cout << rangeImage << "\n";

?

轉載于:https://www.cnblogs.com/flyinggod/p/8474674.html

總結

以上是生活随笔為你收集整理的PCL—关键点检测（rangeImage）低层次点云处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。