提取边界线的思路与原理
该代码通过多步骤处理从原始点云中提取边界线
核心思路是：降噪→投影简化→边界提取→聚类优化→三维还原。以下是分步骤原理详解：
效果图
1. 半径滤波降噪 (radiusFilters)
pcl::RadiusOutlierRemoval<PointT> ror;
- 原理：遍历每个点，若半径(0.5m)球体内的邻居点少于20个，判定为离群点删除
- 目的：去除悬浮噪点，保留主体结构
- 输出：
cloudRadius.pcd（降噪后点云）
2. 投影平面化 (proCloud)
pro.setModelType(pcl::SACMODEL_PLANE); // 平面投影模型
- 原理：将所有点垂直投影到XY平面（Z=0）
- 目的：将3D问题转化为2D处理，简化边界提取
- 关键操作：点坐标变为
(x,y,0)
3. Alpha-Shape边界提取 (ashapeBoundary)
pcl::ConcaveHull<PointT> chull;
- 首次提取（α=0.2）：
- 小α值生成紧贴点云的凹边界
- 捕获细节特征但可能包含冗余
- 二次提取（α=1.9）：
- 大α值生成平滑凸边界
- 消除细小突起，保留主体轮廓
- 原理：通过α半径圆滚过点云外沿生成边界
4. 欧式聚类优化 (clusterFilters)
ec.setClusterTolerance(0.6); // 聚类距离阈值
ec.setMinClusterSize(100); // 最小聚类点数
- 原理：基于距离(0.6m)将邻近点归为同一聚类
- 筛选逻辑：
if (cloudOut->size() > cloudIn->size() * 0.5) break;- 仅保留点数>原边界50%的最大聚类
- 目的：剔除离散小聚类，保留主要边界
5. 三维边界还原 (recallPointCloud)
// 三维点云投影到XY平面
cylindCloud->points[i].z = 0.0; // KD树半径搜索匹配边界点
kdtree.radiusSearch(iter, 0.001, pointIdxRadiusSearch...);
- 核心步骤：
- 将原始3D点云投影为2D（Z=0）
- 用KD树建立2D索引
- 对每个2D边界点搜索半径0.001m内的原始3D点
- 目的：将2D边界映射回3D空间
6. 体素滤波去重 (removePoint)
vg.setLeafSize(0.001f, 0.001f, 0.001f); // 1mm体素尺寸
- 原理：将空间划分为1mm³小立方体
- 操作：每个体素内仅保留一个点（中心点）
- 作用：消除映射导致的重复点
处理流程全景图
关键设计思想
- 维度转换：3D→2D处理→3D还原
- 利用2D算法高效性
- 保留3D空间信息
- 多级边界优化：
- 首次紧边界捕获细节
- 聚类筛选主结构
- 二次松边界平滑轮廓
- 抗噪机制：
- 前端半径滤波去离散噪点
- 后端体素滤波除重复点
参数选择意义
| 参数 | 值 | 作用 |
|---|---|---|
| 半径滤波距离 | 0.5m | 覆盖典型结构尺寸 |
| 最小邻居数 | 20 | 过滤孤立点 |
| 聚类距离阈值 | 0.6m | 大于点间距避免过度分割 |
| 首次Alpha值 | 0.2 | 捕获厘米级细节特征 |
| 二次Alpha值 | 1.9 | 生成米级平滑轮廓 |
| 体素尺寸 | 1mm | 消除重复同时保留亚毫米精度 |
该方案通过多阶段优化，在保留边界细节的同时确保鲁棒性，特别适用于建筑、地形等结构化场景的边界提取。