python实现CSF地面点滤波算法原理解析-巨人网络通讯

python实现CSF地面点滤波算法原理解析

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：