【PCL自学：Range Images】深度图与点云数据的转换及其应用(持续更新)

关注

VIP免费原创最新推荐文章于 2026-03-25 01:26:39 发布 1w 阅读 AI 写同款· GEO 优化 ›

点云库PCL学习5——点云转深度图 一、定义通过相机拍摄得到的点云是将深度图经过坐标转换成点云数据。深度图像上的每个像素点的值表达是场景物体离相机的距离。那么如果已知点云，如何转成深度图像呢！二、使用的函数头文件: #include <pcl/visualization/range_image_visualizer.h> 函数：range_image.createFromPointCloud（....... 阅读详情

一、什么是深度图

目前深度图像的获取方法有激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法等等，针对深度图像的研究重点主要集中在以下几个方面，深度图像的分割技术，深度图像的边缘检测技术，基于不同视点的多幅深度图像的配准技术，基于深度数据的三维重建技术，基于三维深度图像的三维目标识别技术，深度图像的多分辨率建模和几何压缩技术等等，在PCL 中深度图像与点云最主要的区别在于其近邻的检索方式的不同，并且可以互相转换。
深度图像（Depth Images）也被称为距离影像（Range Image），是指将从图像采集器到场景中各点的距离值作为像素值的图像，它直接反应了景物可见表面的几何形状，利用它可以很方便的解决3D目标描述中的许多问题，深度图像经过点云变换可以计算为点云数据，有规则及有必要信息的点云数据可以反算为深度图像数据。

二、点云转深度图 PointCloud->Range Image

本节演示了如何从点云和一个给定的传感器位姿创建一个深度图像。以下代码创建了一个矩形点云的示例，它浮动在观察者的前面。具体注释非常详细。

#include <pcl/range_image/range_image.h> // 深度图头文件
int main () {
   
   
  pcl::PointCloud<pcl::PointXYZ> pointCloud; // 点云
  
  // 创造矩形点云数据，0.01分辨率
  for (float y=-0.5f; y<=0.5f; y+=0.01f) {
   
   
    for (float z=-0.5f; z<=0.5f; z+=0.01f) {
   
   
      pcl::PointXYZ point;
      point.x = 2.0f - y;
      point.y = y;
      point.z = z;
      pointCloud.push_back(point);
    }
  }
  pointCloud.width = pointCloud.size();
  pointCloud.height = 1;
  
  // 利用以上创造的矩形体点云，创造一个1度角分辨率的深度图像
  float angularResolution = (float) (  1.0f * (M_PI/180.0f));  //  1角度转弧度
  float maxAngleWidth     = (float) (360.0f * (M_PI/180.0f));  // 360角度转弧度
  float maxAngleHeight    = (float) (180.0f * (M_PI/180.0f));  // 180角度转弧度
  Eigen::Affine3f sensorPose = (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f); // 传感器位姿roll = pitch = yaw = 0（6DOF视角位姿）
  // 深度图所使用的坐标系
  pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
  float noiseLevel=0.00; 
  float minRange = 0.0f; 
  int borderSize = 1;   
  
  pcl::RangeImage rangeImage; // 深度图对象
  // 从以上的点云和设置的参数来创建深度图
  // ================================下面函数参数解释如下======================================
  // [in] 点云、角分辨率1°、
  // [in]maxAngleWidth = 360和maxAngleHeight = 180表示我们正在模拟的深度传感器具有完整的360度周围视图。（注：深度图像将仅裁剪为自动观察到某些内容的区域）。也可以通过减少值来节省一些计算。例如，对于180度视图朝前的激光扫描仪，可以观察到传感器后面没有点，maxAngleWidth = 180就足够了。
  // [in]sensorPose将虚拟深度传感器的6DOF位置定义为roll = pitch = yaw = 0的原点。
  // [in]coordinate_frame = CAMERA_FRAME告诉系统x面向右，y向下，z轴向前。另一种选择是LASER_FRAME，x面向前方，y位于左侧，z位于上方。
  // [in]对于noiseLevel = 0，沿Z轴剖分创建深度图像。然而，想平均落在同一个单元格中的点数，可以使用更高的值。比如0.05表示所有与最近点的最大距离为5cm的点用于计算深度。
  // [in]minRange 如果minRange大于0，所有靠近虚拟深度传感器的点将被忽略。
  // [in]borderSize，当裁剪图像时，如果borderSize大于0将在图像四周留下未观察到的点的边界。
  // [return]rangeImage 深度图
  //=========================================================================================
  rangeImage.createFromPointCloud(pointCloud, angularResolution, maxAngleWidth, maxAngleHeight,
                                  sensorPose, coordinate_frame, noiseLevel, minRange, borderSize);
  std::cout << rangeImage << "\n";
}

以上代码执行结果如下：

header:
seq: 0 stamp: 0 frame_id:
points[]: 1360
width: 40
height: 34
sensor_origin_: 0 0 0
sensor_orientation_: 0 0 0 1
is_dense: 0
angular resolution: 1deg/pixel in x and 1deg/pixel in y.