法線空間采樣

NormalSpaceSampling即：法線空間采樣，它在法向量空間內均勻隨機抽樣，使所選點之間的法線分布盡可能大，結果表現為地物特征變化大的地方剩余點較多，變化小的地方剩余點稀少，可有效保持地物特征。實現方法如下：

1、首先計算每個點的K領域，然后計算點到領域點的法線夾角值，以此來近似達到曲率的效果并提高計算效率，因為曲率越大的地方，夾角值越大。

2、設置一個角度閾值，當點的領域夾角值大于閾值時被認為是特征明顯的區域，其余區域為不明顯區域。

3、對明顯和不明顯區域進行均勻采樣，采樣數分別為U_(1-V)和U_V,U是目標采樣數，V是均勻采樣性。

// 創建基于鄰域的法向估計類對象
 // // 基于omp并行加速，需配置開啟OpenMP
 // pcl::NormalEstimationOMP< pcl::PointXYZ, pcl::Normal > ne; 
 // ne.setNumberOfThreads(10);
 pcl::NormalEstimation< pcl::PointXYZ, pcl::Normal > ne;
 // 創建一個空的kdtree對象，并把它傳遞給法線估計對象，
 // 用于創建基于輸入點云數據的鄰域搜索kdtree
 pcl::search::KdTree< pcl::PointXYZ >::Ptr 
             tree(new pcl::search::KdTree< pcl::PointXYZ >());
 // 傳入待估計法線的點云數據，智能指針
 ne.setInputCloud(cloud_src);
 // 傳入kdtree對象，智能指針
 ne.setSearchMethod(tree);
 // 設置鄰域搜索半徑
 ne.setRadiusSearch(0.1f);    // 設置半徑時，要考慮到點云空間間距
 // // 也可以設置最近鄰點個數
 // ne.setKSearch(25);
 // 設置視點源點，用于調整點云法向（指向視點），默認（0，0，0）
 ne.setViewPoint(0,0,0);
 // 計算法線數據
 ne.compute(*cloud_normals);


 // 通過concatenateFields函數將point和normal組合起來形成PointNormal點云數據
 pcl::PointCloud< pcl::PointNormal >::Ptr 
             cloud_with_normal(new pcl::PointCloud< pcl::PointNormal >());
 pcl::PointCloud< pcl::PointNormal >::Ptr 
     cloud_with_normal_sampled(new pcl::PointCloud< pcl::PointNormal >());
 pcl::concatenateFields(*cloud_src, *cloud_normals, *cloud_with_normal);


 // 創建法向空間采樣（模板）類對象
 pcl::NormalSpaceSampling< pcl::PointNormal, pcl::Normal > nss;
 // 設置xyz三個法向空間的分類組數，此處設置為一致，根據具體場景可以調整
 const int kBinNum = 8;
 nss.setBins(kBinNum, kBinNum, kBinNum);
 // 如果傳入的是有序點云，此處可以嘗試設置為true
 nss.setKeepOrganized(false);
 // 設置隨機種子，這樣可以保證同樣的輸入可以得到同樣的結果，便于debug分析
 nss.setSeed(200);   // random seed
 // 傳入待采樣的點云數據
 nss.setInputCloud(cloud_with_normal);
 // 傳入用于采樣分析的法線數據，需與傳入點云數據一一對應
 nss.setNormals(cloud_normals);
 // 設置采樣總數，即目標點云的總數據量
 const float kSampleRatio = 0.1f;
 nss.setSample(cloud_with_normal- >size()*kSampleRatio);
 // 執行采樣并帶出采樣結果
 nss.filter(*cloud_with_normal_sampled);