python实现CSF地面点滤波算法原理解析

目录

• 一、算法原理
• 二、读取las点云
• 三、算法源码
• 四、结果展示
• 五、CloudCompare实现

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。

点云地面点滤波(Cloth Simulation Filter, CSF)“布料”滤波算法介绍

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。

到此这篇关于python实现CSF地面点滤波的文章就介绍到这了,更多相关python地面点滤波内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！