thrust工程化学习(七)----噪声滤除进阶版

0. 简介

之前我们讲过通过体素化分割,并通过判断这个栅格内的点云数目是否大于阈值。从而来鉴别出噪点。而我们学过最近邻搜索后,我们可以来学习一下更加先进的方法—半径搜索噪声滤除(Radius Search Noise Filtering)。这是点云处理中一种常见的算法,其基本思想是对每一个点周围的点进行半径搜索,如果搜索到的点数小于设定的阈值,那么就认为该点是噪声点,将其删除。

1. CUDA与Thrust

在使用CUDA和Thrust实现半径搜索噪声滤除时,首先需要将点云数据和搜索半径拷贝到GPU上,然后将点云数据按照坐标顺序进行排序,这样可以方便后续的查找和操作。接着需要构建一个空间索引结构,将点云数据分配到对应的空间桶中,这样可以快速找到每个点周围的邻居点。在构建空间索引时,可以使用CUDA的kernel函数来并行处理每个点的分配过程,提高计算效率。构建完空间索引之后,需要使用CUDA的kernel函数来进行半径搜索。对于每一个点,首先找到其对应的空间桶,并遍历该桶周围的所有桶,以找到所有在半径范围内的点。最后,需要将所有的噪声点标记出来,并将其从点云数据中删除。

而对于Thrust而言可以大大简化代码实现,提高算法效率。例如,可以使用Thrust中的排序算法对每个点的邻域进行排序,同时也可以使用Thrust的函数和算法对离群点进行标记和移除。从而快速定位和处理每个桶中的点数据,以减少内存访问的开销。

2. CUDA代码完成加速

首先我们来看一个一个GPU的kernel函数,用于对输入的点云进行处理,通过查找邻居点来标记哪些点可以保留。

该函数使用了一个哈希表和一个网格桶来加速邻居点的查找。对于每一个输入点,首先进行边界检查,如果该点不在边界框内,则将其标记为不保留;否则,计算该点所在的网格桶的索引,遍历该点所在网格桶的邻居桶,然后在这些桶中查找邻居点。

在查找邻居点时,首先判断点到目标点的距离是否小于给定的搜索半径,如果小于,则将该点加入到一个候选邻居点列表中。如果候选邻居点数量达到了指定的阈值,则直接标记该点为保留点,并跳出循环;否则,将继续在其他桶中查找邻居点。如果所有的桶都被遍历完毕,而候选邻居点数量仍然未达到指定的阈值,则将该点标记为不保留。

最终,对于每个输入点,都会有一个标记值,用于指示该点是否应该保留。这些标记值被写入到一个布尔数组中,以设备指针形式传入。

//d_point_cloud:输入点云,以设备指针形式传入。
//number_of_points:输入点云的点数。
//d_hashTable:哈希表,用于加速邻居点查找。
//d_buckets:存储每个哈希桶信息的数组。
//rgd_params:格网参数,包括网格分辨率、边界框大小等。
//search_radius:用于查找邻居点的搜索半径。
//number_of_points_in_search_sphere_threshold:设定的邻居点数量阈值。
//max_number_considered_in_INNER_bucket:内部桶中最多考虑的点数。
//max_number_considered_in_OUTER_bucket:外部桶中最多考虑的点数。
//d_markers_out:输出结果,用于标记点是否保留,以设备指针形式传入。
__global__ void kernel_markPointsToRemain(pcl::PointXYZ *d_point_cloud,int number_of_points,hashElement *d_hashTable,bucket *d_buckets,gridParameters rgd_params,float search_radius,int number_of_points_in_search_sphere_threshold,int max_number_considered_in_INNER_bucket,int max_number_considered_in_OUTER_bucket,bool *d_markers_out)
{int index_of_point = blockIdx.x*blockDim.x+threadIdx.x;//根据线程号和块号计算当前处理的点的索引if(index_of_point < number_of_points){int number_of_found_points_in_search_sphere_threshold = 0;float x = d_point_cloud[index_of_point].x;float y = d_point_cloud[index_of_point].y;float z = d_point_cloud[index_of_point].z;if(x < rgd_params.bounding_box_min_X || x > rgd_params.bounding_box_max_X)//对该点进行边界检查,如果不在边界框内{d_markers_out[index_of_point] = false;return;}if(y < rgd_params.bounding_box_min_Y || y > rgd_params.bounding_box_max_Y)//对该点进行边界检查,如果不在边界框内{d_markers_out[index_of_point] = false;return;}if(z < rgd_params.bounding_box_min_Z || z > rgd_params.bounding_box_max_Z){d_markers_out[index_of_point] = false;return;}int ix=(x - rgd_params.bounding_box_min_X)/rgd_params.resolution_X;//通过该点的坐标以及格网参数计算该点所在的格网桶的索引int iy=(y - rgd_params.bounding_box_min_Y)/rgd_params.resolution_Y;int iz=(z - rgd_params.bounding_box_min_Z)/rgd_params.resolution_Z;int index_bucket = ix*rgd_params.number_of_buckets_Y *rgd_params.number_of_buckets_Z + iy * rgd_params.number_of_buckets_Z + iz;//计算该点所在的格网桶的索引if(index_bucket >= 0 && index_bucket < rgd_params.number_of_buckets)//如果该点所在的格网桶索引合法,rgd_params:三维空间的参数,包括空间的大小和每个桶的大小。{int sx, sy, sz, stx, sty, stz;//当前点所在的桶的邻居桶的位置,用于遍历周围桶中的点if(ix == 0)sx = 0; else sx = -1;if(iy == 0)sy = 0; else sy = -1;if(iz == 0)sz = 0; else sz =- 1;if(ix == rgd_params.number_of_buckets_X - 1)stx = 1; else stx = 2;if(iy == rgd_params.number_of_buckets_Y - 1)sty = 1; else sty = 2;if(iz == rgd_params.number_of_buckets_Z - 1)stz = 1; else stz = 2;int index_next_bucket;//当前桶的邻居桶的索引int iter;int number_of_points_in_bucket;int l_begin;int l_end;for(int i = sx; i < stx; i++){for(int j = sy; j < sty; j++){for(int k = sz; k < stz; k++)//首先判断当前点所在的桶是否存在(即索引是否在合法范围内){index_next_bucket = index_bucket +i * rgd_params.number_of_buckets_Y * rgd_params.number_of_buckets_Z +j * rgd_params.number_of_buckets_Z + k;if(index_next_bucket >= 0 && index_next_bucket < rgd_params.number_of_buckets)//如果当前点所在的桶存在{number_of_points_in_bucket = d_buckets[index_next_bucket].number_of_points;if(number_of_points_in_bucket <= 0)continue;int max_number_considered_in_bucket;if(index_next_bucket == index_bucket){max_number_considered_in_bucket = max_number_considered_in_INNER_bucket;}else{max_number_considered_in_bucket = max_number_considered_in_OUTER_bucket;}if(max_number_considered_in_bucket <= 0)continue;if(max_number_considered_in_bucket >= number_of_points_in_bucket){iter=1;}else{iter = number_of_points_in_bucket / max_number_considered_in_bucket;if(iter <= 0)iter = 1;}l_begin = d_buckets[index_next_bucket].index_begin;//计算当前桶中的点的索引范围l_end = d_buckets[index_next_bucket].index_end;for(int l = l_begin; l < l_end; l += iter){if(l >= 0 && l < number_of_points){int hashed_index_of_point = d_hashTable[l].index_of_point;float nn_x  = d_point_cloud[hashed_index_of_point].x;float nn_y  = d_point_cloud[hashed_index_of_point].y;float nn_z  = d_point_cloud[hashed_index_of_point].z;float dist  = (x - nn_x) * (x - nn_x) +(y - nn_y) * (y - nn_y) +(z - nn_z) * (z - nn_z);//计算当前点与周围点的距离if(dist <= search_radius * search_radius)//计算当前点所在桶的邻居桶的位置,遍历周围桶中的点{number_of_found_points_in_search_sphere_threshold++;//如果距离小于阈值,则计数器加1}}}}}}}}if(number_of_found_points_in_search_sphere_threshold >= number_of_points_in_search_sphere_threshold + 1)//如果计数器大于阈值,则保留该点{d_markers_out[index_of_point] = true;//将该点的标记设为true}else{d_markers_out[index_of_point] = false;}}
}

然后下面就是主调用函数,该函数的主要流程是首先调用 kernel_setAllPointsToRemove 函数将所有点标记为噪声(这个函数可以在第五章找到)。然后调用 kernel_markPointsToRemain 函数,使用哈希表和桶进行空间搜索,标记不是噪声的点。并在每次 CUDA 调用之后检查是否有错误,并在需要时返回错误码。

cudaError_t cudaRemoveNoise(int threads,pcl::PointXYZ *d_point_cloud,int number_of_points,hashElement *d_hashTable,bucket *d_buckets,gridParameters rgd_params,float search_radius,int number_of_points_in_search_sphere_threshold,int max_number_considered_in_INNER_bucket,int max_number_considered_in_OUTER_bucket,bool *d_markers_out)
{cudaError_t err = cudaGetLastError();kernel_setAllPointsToRemove<<<number_of_points/threads+1,threads>>>(number_of_points, d_markers_out);err = cudaDeviceSynchronize();	if(err != ::cudaSuccess)return err;kernel_markPointsToRemain<<<number_of_points/threads+1,threads>>>(d_point_cloud,number_of_points,d_hashTable,d_buckets,rgd_params,search_radius,number_of_points_in_search_sphere_threshold,max_number_considered_in_INNER_bucket,max_number_considered_in_OUTER_bucket,d_markers_out);err = cudaDeviceSynchronize();return err;
}

3. Thrust代码完成加速

下面这段代码主要是使用Thrust库实现了点云去噪的功能,具体实现如下:

  1. 定义了一个名为PointXYZI的结构体,结构体包含了x、y、z和intensity四个成员变量。
  2. 定义了一个名为squared_euclidean_distance的结构体,这个结构体继承自thrust::binary_function<PointXYZI, PointXYZI, float>,表示计算两个PointXYZI点之间的欧氏距离平方,即 ( d x ) 2 + ( d y ) 2 + ( d z ) 2 (dx)^2+(dy)^2+(dz)^2 (dx)2+(dy)2+(dz)2
  3. 定义了一个名为is_noise的结构体,这个结构体继承自thrust::unary_function<PointXYZI, bool>,表示检查一个PointXYZI点是否为噪点。
  4. 定义了一个名为removeNoise的函数,这个函数的输入为一组点云数据,以及去噪所需的一些参数,输出为去除噪点后的点云数据。
  5. 函数removeNoise内部首先创建了一个名为sorted_indicesdevice_vector<int>,并用thrust::sequence函数对其进行初始化,该函数返回一个按顺序填充的序列。
  6. 然后使用thrust::sort_by_key对原始点云数据按照z坐标排序,并将排序后的点云数据存储在名为points的device_vector<PointXYZI>中,排序后的点云索引存储在名为idxs的device_vector<int>中。
  7. 接着使用thrust::remove_if函数移除噪点,其中,is_noise结构体的对象被作为第二个参数传递给thrust::remove_if函数,它表示判断一个PointXYZI点是否为噪点的条件。移除后的点云数据存储在名为new_end的迭代器中。
  8. 最后,使用thrust::erase函数删除新点云数据中的已经移除的噪点。
  9. 返回最终的点云数据points。

…详情请参照古月居

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/121464.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Redis(05)| 数据结构-哈希表

哈希表是一种保存键值对&#xff08;key-value&#xff09;的数据结构。 哈希表中的每一个 key 都是独一无二的&#xff0c;程序可以根据 key 查找到与之关联的 value&#xff0c;或者通过 key 来更新 value&#xff0c;又或者根据 key 来删除整个 key-value等等。 在讲压缩列表…

报错:Could not resolve host: mirrorlist.centos.org;Unknown error

报错&#xff1a;Could not resolve host: mirrorlist.centos.org;Unknown error 一般是因为网络配置错误导致无法连接外网&#xff0c;我们先尝试ping一下www.baidu.com发现无法ping通。 果然&#xff0c;接下来我们就开始排查吧&#xff01;&#xff01; 1.网络配置查看 打开…

SpringBoot解压zip包,读取每个文件内容

SpringBoot解压zip包&#xff0c;读取每个文件内容 一、运用场景 获取本地压缩包&#xff0c;解压后根据文件名称及类型&#xff0c;对读取的文件内容进行业务处理。 二、POM文件依赖 <!--读取文件--><dependency><groupId>org.apache.poi</groupId&g…

win10下Mariadb绿色版安装步骤

使用绿色版的mariadb数据库管理软件&#xff0c;免费开源&#xff0c;可以用来替换MySQL。首先从mariadb官网下载绿色版本的压缩包。解压后、配置好即可以使用。 把他解压缩到C:\mariadb\之下。打开powershell&#xff1a; Cd c:\mariadb\bin .\mysql_install_db.exe 这一…

vue制作防止用户未登录或未填写信息就跳转页面的路由拦截器

在Vue中&#xff0c;你可以使用路由导航守卫来实现防止未登录用户跳转页面的路由拦截器。 首先&#xff0c;你需要创建一个全局前置守卫&#xff0c;用于检查用户是否已登录。在router/index.js文件中&#xff0c;添加如下代码&#xff1a; import router from /router;route…

MySQL8锁的问题

关键字 mysql 8、lock 问题描述 项目上反馈&#xff0c;一个简单的提交操作需要 40 秒。 抓取 SQL 发现 update gl_credit_bill set verifystate2 where id2761279790403840 执行耗时近40秒解决问题思路 手动执行 SQL&#xff0c;发现非常快&#xff0c;基本排除数据库本身…

@CallSuper注解方法学习

CallSuper注解是什么&#xff1f; CallSuper 是 Android 开发中使用的一个注解&#xff0c;它的主要用途是确保在子类重写父类的方法时&#xff0c;调用 super 方法。这在某些情况下是非常有用的&#xff0c;例如当你希望在重写方法时保留父类的默认行为&#xff0c;或者确保子…

24年FRM备考知识点以及一级公式表

FRM一级公示表以及备考知识点 链接&#xff1a;https://pan.baidu.com/s/17RpFF9OyfRk7FGtEQrxf3A?pwd1234 提取码&#xff1a;1234 FRM二级公示表以及备考知识点 链接&#xff1a;https://pan.baidu.com/s/175D05wV1p94dIfBZThutCQ?pwd1234 提取码&#xff1a;1234

HarmonyOS原生分析能力,即开即用助力精细化运营

数据分析产品对开发者的价值呈现在两个层面&#xff0c;第一个是产品的层面&#xff0c;可以通过数据去洞察用户的行为&#xff0c;从而找到产品的优化点。另外一个就是运营层面&#xff0c;可以基于数据去驱动&#xff0c;来实现私域和公域的精细化运营。 在鸿蒙生态上&#…

conda 实践

1. 环境部署 1.1. 下载 anaconda 安装包 下面这个网址查找自己需要的版本 https://repo.anaconda.com/archive/ 或者手动下载。 wget https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh 1.2. 执行安装程序 #安装依赖&#xff1a; sudo yum install bzip2…

APP自动化测试 ---- Appium介绍及运行原理

在面试APP自动化时&#xff0c;有的面试官可能会问Appium的运行原理&#xff0c;以下介绍Appium运行原理。 一、Appium介绍 1.Appium概念 Appium是一个开源测试自动化框架&#xff0c;可用于原生&#xff0c;混合和移动Web应用程序测试。它使用WebDriver协议驱动IOS&#xf…

vue项目中使用svg

背景 一般html中使用svg图片是用img标签使用&#xff0c;这在项目中就相对来说非常麻烦。出现大量使用svg情况就变的比较麻烦 <img src"../assets/svgs/car.svg" />封装 将svg文件统一放一个文件夹下 src/assets/svgs 需要2步 为文件打包 安装开发依赖 …

【Linux入侵排查知识总结】

1.1.1.1 Linux入侵排查 0x00 前言 当企业发生黑客入侵、系统崩溃或其它影响业务正常运行的安全事件时&#xff0c;急需第一时间进行处理&#xff0c;使企业的网络信息系统在最短时间内恢复正常工作&#xff0c;进一步查找入侵来源&#xff0c;还原入侵事故过程&#xff0c;同时…

【sqlmap工具的使用】

.命令基础解析 sqlmap 支持五种不同的注入模式&#xff1a; 1、 基于布尔的盲注&#xff0c; 即可以根据返回页面判断条件真假的注入。 2、 基于时间的盲注&#xff0c; 即不能根据页面返回内容判断任何信息&#xff0c; 用条件语句查看 时间延迟语句是否执行&#xff08;即页面…

node 第十三天 express初见

express概念 Fast, unopinionated, minimalist web framework for Node.js 快速、独立、极简的 Node.js Web 框架。 express相当于前端的jquery, 在不更改不侵入原生node的基础上封装了大量易用且实用的服务端api, express框架的封装原理就是前面第十天我们自己封装的简易服务器…

安卓核心板_天玑700、天玑720、天玑900_5G模块规格参数

5G安卓核心板是采用新一代蜂窝移动通信技术的重要设备。它支持万物互联、生活云端化和智能交互的特性。5G技术使得各类智能硬件始终处于联网状态&#xff0c;而物联网则成为5G发展的主要动力。物联网通过传感器、无线网络和射频识别等技术&#xff0c;实现了物体之间的互联。而…

微信小程序如何利用接口返回经纬计算实际位置并且进行导航功能【下】

如果要在微信小程序内部导航的话可以使用wx.navigateToMiniProgram方法来打开腾讯地图小程序&#xff0c;并传递目的地的经纬度信息。 目录 1.如何获取高精地址 2.如何调起地图 3.实现效果 navigateToDestination: function() {let that this;var latitude parseFloa…

springboot+vue基于协同过滤算法的私人诊所管理系统的设计与实现【内含源码+文档+部署教程】

博主介绍&#xff1a;✌全网粉丝10W,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久&#xff0c;选择我们就是选择放心、选择安心毕业✌ &#x1f345;由于篇幅限制&#xff0c;想要获取完整文章或者源码&#xff0c;或者代做&am…

Kafka - 异步/同步发送API

文章目录 异步发送普通异步发送异步发送流程Code 带回调函数的异步发送带回调函数的异步发送流程Code 同步发送API 异步发送 普通异步发送 需求&#xff1a;创建Kafka生产者&#xff0c;采用异步的方式发送到Kafka broker 异步发送流程 Code <!-- https://mvnrepository…

数据结构与算法之矩阵: Leetcode 48. 旋转矩阵 (Typescript版)

旋转图像 https://leetcode.cn/problems/rotate-image/ 描述 给定一个 n n 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。你必须在 原地 旋转图像&#xff0c;这意味着你需要直接修改输入的二维矩阵。请不要 使用另一个矩阵来旋转图像。 示例 1 输入&…