1.关键点，线，面

关键点 = 特征点；

关键线 = 边缘；

关键面 = foreground；

上述三个概念在信息学中几乎占据了统治地位。比如1维的函数（信号），有各种手段去得到某个所谓的关键点，有极值点，拐点...二维的图像，特征点提取算法是标定算法的核心（harris),边缘提取算法更是备受瞩目（canny,LOG.....)，当然，对二维的图像也有区域所谓的前景分割算法用于提取感兴趣的区域，但那属于较高层次的视觉，本文不讨论。由此可以推断，三维视觉应该同时具备：关键点，关键线，关键面三种算法。本质上，关键面算法就是我们之前一文中讨论的分割算法（三维点云不是实心的）。关于关键点更多的信息可以参考：特征检测

ok,在这里我们了解到了，要在n维信息中提取n-1维信息是简单的，但n-2维信息会比n-1维要不稳定或者复杂的多。很容易想象，图像的边缘处理算法所得到的结果一般大同小异，但关键点提取算法的结果可以是千差万别的。主要原因是降维过大后，特征的定义很模糊，很难描述清楚对一幅图像来说，到底怎样的点才是关键点。所以，对3维点云来说，关键点的描述就更难了。点云也有1维边缘检测算法，本文不做讨论。单说说关键点提取。

2.来自点云的降维打击

图像的Harris角点算子将图像的关键点定义为角点。角点也就是物体边缘的交点，harris算子利用角点在两个方向的灰度协方差矩阵响应都很大，来定义角点。既然关键点在二维图像中已经被成功定义且使用了，看来在三维点云中可以沿用二维图像的定义...不过今天要讲的是另外一种思路，简单粗暴，直接把三维的点云投射成二维的图像不就好了。这种投射方法叫做range_image.

首先放上一张range_imge和点云图像的合照：

看起来像个眼睛的那玩意就是range_image. 至于它为什么像个眼睛，就要从它的出生开始说起了。三维点云有多种采集方式，最为著名的是结构光，飞秒相机，双目视觉。简而言之，采集都离不开相机。用相机拍照当然就存在相机的光心坐标原点 Oc 以及主光轴方向 Z. 从这个点，有一种办法可以将三维数据映射到2维平面上。首先，将某点到光心Oc的距离映射成深度图的灰度或颜色（灰度只有256级但颜色却可接近连续变化）。除此之外，再定义一下怎样将点云映射到图像的横纵坐标上就可以了。

任意一点都要和光心进行连线.....这么听起来很熟悉....好像有点像球坐标的意思。球坐标长下面这张图这样。

深度图中的横，纵坐标实际上是a和phi，如果要保证沿着场景中某条直线移动，a线性变化phi却先增大后减小。这也就造成了深度图像一个眼睛一样。但这并不妨碍什么，phi没有定义的地方可以使用深度无限大来代替。

将点云转成深度图，只需要确定一个直角坐标系，角分辨率，a范围，phi范围即可。毕竟这只是一个直角坐标转球坐标的工作而已。

这样做显然是有好处的，首先，这是一种除了八叉树，kd_tree之外，能够将点云的空间关系表达出来的手段。每个点云都有了横，纵，深，三个坐标，并且这种坐标原点的设定方式，在理论上是不会存在干涉的（从原点出发的一条线理论上不会遇到多余1个点）。于是点云的空间关系就自然的被编码与深度图中。

显然，图像中的关键点检测算子就可以被移植到点云特征点求取中来了。

3.基于PCL的点云-深度图转换

//rangeImage也是PCL的基本数据结构
pcl::RangeImage rangeImage;
//角分辨率
float angularResolution = (float) (  1.0f * (M_PI/180.0f));  //   1.0 degree in radians
//phi可以取360°float maxAngleWidth     = (float) (360.0f * (M_PI/180.0f));  // 360.0 degree in radians
//a取180°float maxAngleHeight    = (float) (180.0f * (M_PI/180.0f));  // 180.0 degree in radians
//半圆扫一圈就是整个图像了//传感器朝向Eigen::Affine3f sensorPose = (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f);
//除了三维相机模式还可以选结构光模式pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
//noise level表示的是容差率，因为1°X1°的空间内很可能不止一个点，noise level = 0则表示去最近点的距离作为像素值，如果=0.05则表示在最近点及其后5cm范围内求个平均距离float noiseLevel=0.00;
//minRange表示深度最小值，如果=0则表示取1°X1°的空间内最远点，近的都忽略float minRange = 0.0f;
//bordersieze表示图像周边点  int borderSize = 1;
//基本数据结构直接打印是ok的std::cout << rangeImage << "\n";