标签：
本讲中，我们将带领读者，编写一个将图像转换为点云的程序。该程序是后期处理地图的基础。最简单的点云地图即是把不同位置的点云进行拼接得到的。
当我们使用RGB-D相机时，会从相机里读到两种数据：彩色图像和深度图像。如果你有Kinect和ros，可以运行：
1 roslaunch openni_launch openni.launch
使Kinect工作。随后，如果PC连接上了Kinect，彩色图像与深度图像就会发布在 /camera/rgb/image_color 和 /camera/depth_registered/image_raw 中。你可以通过：
1 rosrun image_view image_view image:=/camera/rgb/image_color
来显示彩色图像。或者，你也可以在Rviz里看到图像与点云的可视化数据。
小萝卜：可是师兄！我现在手边没有Kinect，该怎么办啊！
师兄：没关系！你可以下载我们给你提供的数据。实际上就是下面两张图片啦！
小萝卜：怎么深度图是一团黑的呀！
师兄：请睁大眼睛仔细看！怎么可能是黑的！
小萝卜：呃……可是确实是黑的啊！
师兄：对！这是由于画面里的物体离我们比较近，所以看上去比较黑。但是你实际去读的话可是有数据的哦！
重要的备注：
不过请你放心，在我们给出的这两个图中，都进行了预处理。你可以认为“深度图就是彩色图里每个像素距传感器的距离”啦！
师兄：现在，我们要把这两个图转成点云啦，因为计算每个像素的空间点位置，可是后面配准、拼图等一系列事情的基础呢。比如，在配准时，必须知道特征点的3D位置呢，这时候就要用到我们这里讲到的知识啦！
小萝卜：听起来很重要的样子！
师兄：对！所以请读者朋友务必掌握好这部分的内容啦！
上面两个图像给出了机器人外部世界的一个局部的信息。假设这个世界由一个点云来描述：$X=\{ x_1, \ldots, x_n \}$. 其中每一个点呢，有 $r,g,b,x,y,z$一共6个分量，表示它们的颜色与空间位置。颜色方面，主要由彩色图像记录； 而空间位置，可以由图像和相机模型、姿态一起计算出来。
对于常规相机，SLAM里使用针孔相机模型（图来自http://www.comp.nus.edu.sg/~cs4243/lecture/camera.pdf ）：
$$ u = \frac{ x \cdot f_x }{z} + c_x $$
$$ v = \frac{ y \cdot f_y }{z} + c_y $$
$$ d = z \cdot s $$
其中，$f_x, f_y$指相机在$x,y$两个轴上的焦距，$c_x, c_y$指相机的光圈中心，$s$指深度图的缩放因子。
小萝卜：好晕啊！突然冒出这么多个变量！
师兄：别急啊，这已经是很简单的模型了，等你熟悉了就不觉得复杂了。
这个公式是从$(x,y,z)$推到$(u,v,d)$的。反之，我们也可以把它写成已知$(u,v,d)$，推导$(x,y,z)$的方式。请读者自己推导一下。
不，还是我们来推导吧……公式是这样的：
$$ z = d/s $$
$$ x = (u-c_x) \cdot z/f_x $$
$$ y = (v-c_y) \cdot f_y $$
怎么样，是不是很简单呢？事实上根据这个公式就可以构建点云啦。
通常，我们会把$f_x, f_y, c_x, c_y$这四个参数定义为相机的内参矩阵$C$，也就是相机做好之后就不会变的参数。相机的内参可以用很多方法来标定，详细的步骤比较繁琐，我们这里就不提了。给定内参之后呢，每个点的空间位置与像素坐标就可以用简单的矩阵模型来描述了：
$$ s \cdot \left[ \begin{array}{l} u \\ v \\ 1 \end{array} \right] = R \cdot C \cdot \left[ \begin{array}{l} x \\ y \\ z \end{array} \right] + t $$
其中，$R$和$t$是相机的姿态。$R$代表旋转矩阵，$t$代表位移矢量。因为我们现在做的是单幅点云，认为相机没有旋转和平移。所以，把$R$设成单位矩阵$I$，把$t$设成了零。
小萝卜：于是就有了上面那个$(u,v,d$转$(x,y,z)$的公式？
师兄：对！真聪明！如果相机发生了位移和旋转，那么只要对这些点进行位移和旋转操作即可。
下面，我们来实现一个程序，完成从图像到点云的转换。请在上一节讲到的 代码根目录/src/ 文件夹中新建一个generatePointCloud.cpp文件：
1 touch src/generatePointCloud.cpp
小萝卜：师兄！一个工程里可以有好几个main函数么？
师兄：对呀，cmake允许你自己定义编译的过程。我们会把这个cpp也编译成一个可执行的二进制，只要在cmakelists.txt里作相应的更改便行了。
接下来，请在刚建的文件里输入下面的代码。为保证行文的连贯性，我们先给出完整的代码，然后在重要的地方加以解释。建议新手逐字自己敲一遍，你会掌握得更牢固。
1 // C++ 标准库 2 #include <iostream> 3 #include <string> 4 using namespace std; 5 6 // OpenCV 库 7 #include <opencv2/core/core.hpp> 8 #include <opencv2/highgui/highgui.hpp> 9 10 // PCL 库 11 #include <pcl/io/pcd_io.h> 12 #include <pcl/point_types.h> 13 14 // 定义点云类型 15 typedef pcl::PointXYZRGBA PointT; 16 typedef pcl::PointCloud<PointT> PointCloud; 17 18 // 相机内参 19 const double camera_factor = 1000; 20 const double camera_cx = 325.5; 21 const double camera_cy = 253.5; 22 const double camera_fx = 518.0; 23 const double camera_fy = 519.0; 24 25 // 主函数 26 int main( int argc, char** argv ) 27 { 28 // 读取./data/rgb.png和./data/depth.png，并转化为点云 29 30 // 图像矩阵 31 cv::Mat rgb, depth; 32 // 使用cv::imread()来读取图像 33 // API: http://docs.opencv.org/modules/highgui/doc/reading_and_writing_images_and_video.html?highlight=imread#cv2.imread 34 rgb = cv::imread( "./data/rgb.png" ); 35 // rgb 图像是8UC3的彩色图像 36 // depth 是16UC1的单通道图像，注意flags设置-1,表示读取原始数据不做任何修改 37 depth = cv::imread( "./data/depth.png", -1 ); 38 39 // 点云变量 40 // 使用智能指针，创建一个空点云。这种指针用完会自动释放。 41 PointCloud::Ptr cloud ( new PointCloud ); 42 // 遍历深度图 43 for (int m = 0; m < depth.rows; m++) 44 for (int n=0; n < depth.cols; n++) 45 { 46 // 获取深度图中(m,n)处的值 47 ushort d = depth.ptr<ushort>(m)[n]; 48 // d 可能没有值，若如此，跳过此点 49 if (d == 0) 50 continue; 51 // d 存在值，则向点云增加一个点 52 PointT p; 53 54 // 计算这个点的空间坐标 55 p.z = double(d) / camera_factor; 56 p.x = (n - camera_cx) * p.z / camera_fx; 57 p.y = (m - camera_cy) * p.z / camera_fy; 58 59 // 从rgb图像中获取它的颜色 60 // rgb是三通道的BGR格式图，所以按下面的顺序获取颜色 61 p.b = rgb.ptr<uchar>(m)[n*3]; 62 p.g = rgb.ptr<uchar>(m)[n*3+1]; 63 p.r = rgb.ptr<uchar>(m)[n*3+2]; 64 65 // 把p加入到点云中 66 cloud->points.push_back( p ); 67 } 68 // 设置并保存点云 69 cloud->height = 1; 70 cloud->width = cloud->points.size(); 71 cout<<"point cloud size = "<<cloud->points.size()<<endl; 72 cloud->is_dense = false; 73 pcl::io::savePCDFile( "./data/pointcloud.pcd", *cloud ); 74 // 清除数据并退出 75 cloud->points.clear(); 76 cout<<"Point cloud saved."<<endl; 77 return 0; 78 }
程序运行需要数据。请把上面的那两个图存放在 代码根目录/data 下（没有这个文件夹就新建一个）。
我们使用OpenCV的imread函数读取图片。在OpenCV2里，图像是以矩阵(cv::MAt)作为基本的数据结构。Mat结构既可以帮你管理内存、像素信息，还支持一些常见的矩阵运算，是非常方便的结构。彩色图像含有R,G,B三个通道，每个通道占8个bit（也就是unsigned char），故称为8UC3（8位unsigend char, 3通道）结构。而深度图则是单通道的图像，每个像素由16个bit组成（也就是C++里的unsigned short），像素的值代表该点离传感器的距离。通常1000的值代表1米，所以我们把camera_factor设置成1000. 这样，深度图里每个像素点的读数除以1000，就是它离你的真实距离了。
接下来，我们按照“先列后行”的顺序，遍历了整张深度图。在这个双重循环中：
1 for (int m = 0; m < depth.rows; m++) 2 for (int n=0; n < depth.cols; n++)
m指图像的行，n是图像的列。它和空间点的坐标系关系是这样的：
深度图第m行，第n行的数据可以使用depth.ptr<ushort>(m) [n]来获取。其中，cv::Mat的ptr函数会返回指向该图像第m行数据的头指针。然后加上位移n后，这个指针指向的数据就是我们需要读取的数据啦。
计算三维点坐标的公式我们已经给出过了，代码里原封不动地实现了一遍。我们根据这个公式，新增了一个空间点，并放入了点云中。最后，把整个点云存储为 ./data/pointcloud.pcd 文件。
最后，我们在src/CMakeLists.txt里加入几行代码，告诉编译器我们希望编译这个程序。请在此文件中加入以下几行：
# 增加PCL库的依赖 FIND_PACKAGE( PCL REQUIRED COMPONENTS common io ) # 增加opencv的依赖 FIND_PACKAGE( OpenCV REQUIRED ) # 添加头文件和库文件 ADD_DEFINITIONS( ${PCL_DEFINITIONS} ) INCLUDE_DIRECTORIES( ${PCL_INCLUDE_DIRS} ) LINK_LIBRARIES( ${PCL_LIBRARY_DIRS} ) ADD_EXECUTABLE( generate_pointcloud generatePointCloud.cpp ) TARGET_LINK_LIBRARIES( generate_pointcloud ${OpenCV_LIBS} ${PCL_LIBRARIES} )
然后，编译新的工程：
1 cd build 2 cmake .. 3 make 4 cd ..
如果编译通过，就可在bin目录下找到新写的二进制：generate_pointcloud 运行它：
bin/generate_pointcloud
即可在data目录下生成点云文件。现在，你肯定希望查看一下新生成的点云了。如果已经安装了pcl，就可以通过：
1 pcl_viewer data/pointcloud.pcd
来查看新生成的点云。
本讲中，我们实现了一个从2D图像到3D点云的转换程序。下一讲，我们将探讨图像的特征点提取与配准。配准过程中，我们需要计算2D图像特征点的空间位置。因此，请你编写一个头文件与一个源文件，实现一个point2dTo3d函数。请在头文件里写这个函数的声明，源文件里给出它的实现，并在cmake中把它编译成一个叫做slam_base的库。（你需要考虑如何定义一个比较好的接口。）这样一来，今后当我们需要计算它时，就只需调用这个函数就可以了。
小萝卜：师兄！这个作业看起来有些难度啊！
师兄：是呀，不能把读者想的太简单嘛。
最后呢，本节用到的源代码仍然可以从我的git里下载到。如果您关于本文有什么问题，也欢迎给我发邮件：gaoxiang12@mails.tsinghua.edu.cn 读者的鼓励就是对我最好的支持！
标签：
原文地址：http://www.cnblogs.com/gaoxiang12/p/4652478.html
