点云采样的三种方法

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

本文由知乎作者GeometryHub授权转载，不得擅自二次转载。原文链接：https://zhuanlan.zhihu.com/p/86044055

点云采样分类

点云采样的方法有很多种，常见的有均匀采样，几何采样，随机采样，格点采样等。下面介绍一些常见的采样方法。

格点采样

格点采样，就是把三维空间用格点离散化，然后在每个格点里采样一个点。具体方法如下：

1. 创建格点：如中间图所示，计算点云的包围盒，然后把包围盒离散成小格子。格子的长宽高可以用户设定，也可以通过设定包围盒三个方向的格点数来求得。

2. 每个小格子包含了若干个点，取离格子中心点最近的点为采样点，如右图所示。

格点采样的特点：

• 效率非常高

• 采样点分布比较均匀，但是均匀性没有均价采样高

• 可以通过格点的尺寸控制点间距

• 不能精确控制采样点个数

均匀采样

均匀采样的方法有很多，并且有一定的方法来评估采样的均匀性。这里介绍一种简单的均匀采样方法，最远点采样。具体方法如下：

输入点云记为C，采样点集记为S，S初始化为空集。

1. 随机采样一个种子点Seed，放入S。如图1所示。

2. 每次采样一个点，放入S。采样的方法是，在集合C-S里，找一点距离集合S距离最远的点。其中点到集合的距离为，这点到集合里所有点距最小的距离。如图2-6所示，采样点S的数量分别为2，4，10，20，100.

最远点采样的特点：

• 采样点分布均匀

• 算法时间复杂度有些高，因为每次采样一个点，都要计算集合到集合之间的距离。可以采用分治的方法来提高效率。

• 采样点一般先分布在边界附近，这个性质在有些地方是有用的，比如图元检测里面的点采样。

几何采样

几何采样，在点云曲率越大的地方，采样点个数越多。下面介绍一种简单的几何采样方法，具体方法如下：

输入是一个点云，目标采样数S，采样均匀性U

1.点云曲率计算比较耗时，这里我们采用了一个简单方法，来近似达到曲率的效果：给每个点计算K邻域，然后计算点到邻域点的法线夹角值。曲率越大的地方，这个夹角值就越大。

2.设置一个角度阈值，比如5度。点的邻域夹角值大于这个阈值的点，被放入几何特征区域G。这样点云就分成了两部分，几何特征区域G和其它区域。

3.均匀采样几何特征区域G和其它区域，采样数分别为S * (1 - U)，S * U。

下图是一个均匀采样和几何采样的比较图，这个采样方法的特点：

• 几何特征越明显的区域，采样点个数分布越多

• 计算效率高

• 采样点局部分布是均匀的

• 稳定性高：通过几何特征区域的划分，使得采样结果抗噪性更强

上述内容，如有侵犯版权，请联系作者，会自行删文。

推荐阅读：

吐血整理|3D视觉系统化学习路线

那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）

超全的3D视觉数据集汇总

大盘点|6D姿态估计算法汇总(上)

大盘点|6D姿态估计算法汇总（下）

机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划

汇总|3D点云目标检测算法

汇总|3D人脸重建算法

那些年，我们一起刷过的计算机视觉比赛

总结|深度学习实现缺陷检测

深度学习在3-D环境重建中的应用

汇总|医学图像分析领域论文

大盘点|OCR算法汇总

重磅！3DCVer-知识星球和学术交流群已成立

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导，820+的星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿