PCL一些常用小知识--一

前端之家收集整理的这篇文章主要介绍了PCL一些常用小知识--一前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

如何实现类似pcl::PointCloud::Ptr和pcl::PointCloud的两个类相互转换?

#include 
#include 
#include 

pcl::PointCloud::Ptr cloudPointer(new pcl::PointCloud);
pcl::PointCloud cloud;
cloud = *cloudPointer;
cloudPointer = cloud.makeShared();

如何查找点云的x,y,z的极值?

#include 
#include 
#include 
pcl::PointCloud::Ptr cloud;
cloud = pcl::PointCloud::Ptr (new pcl::PointCloud);
pcl::io::loadPCDFile ("your_pcd_file.pcd",*cloud);
pcl::PointXYZ minPt,maxPt;
pcl::getMinMax3D (*cloud,minPt,maxPt);

如果知道需要保存点的索引,如何从原点云中拷贝点到新点云?

#include 
#include 
#include 
#include 

pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
pcl::io::loadPCDFile("C:\office3-after21111.pcd",cloud);
pcl::PointCloud::Ptr cloudOut(new pcl::PointCloud);
std::vector indexs = { 1,2,5 };
pcl::copyPointCloud(
cloud,indexs,*cloudOut);

如何从点云里删除添加点?

#include 
#include 
#include 
#include 

pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
pcl::io::loadPCDFile("C:\office3-after21111.pcd",*cloud);
pcl::PointCloud::iterator index = cloud->begin();
cloud->erase(index);//删除第一个
index = cloud->begin() + 5;
cloud->erase(cloud->begin());//删除第5个
pcl::PointXYZ point = { 1,1,1 };
//在索引号为5的位置1上插入一点,原来的点后移一位
cloud->insert(cloud->begin() + 5,point);
cloud->push_back(point);//从点云最后面插入一点
std::cout << cloud->points[5].x;//输出1

如果删除的点太多建议用上面的方法拷贝到新点云,再赋值给原点云,如果要添加很多点,建议先resize,然后用循环向点云里的添加

如何对点云进行全局或局部变换

#include 
#include 
#include 
#include 
#include 
        pcl::PointCloud::Ptr cloud (new pcl::PointCloud);
        pcl::io::loadPCDFile("path/.pcd",*cloud);
//全局变化
 //构造变化矩阵
        Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();
        float theta = M_PI/4;   //旋转的度数,这里是45度
        transform_1 (0,0) = cos (theta);  //这里是绕的Z轴旋转
        transform_1 (0,1) = -sin(theta);
        transform_1 (1,0) = sin (theta);
        transform_1 (1,1) = cos (theta);
        //   transform_1 (0,2) = 0.3;   //这样会产生缩放效果
        //   transform_1 (1,2) = 0.6;
        //    transform_1 (2,2) = 1;
        transform_1 (0,3) = 25; //这里沿X轴平移
        transform_1 (1,3) = 30;
        transform_1 (2,3) = 380;
        pcl::PointCloud::Ptr transform_cloud1 (new pcl::PointCloud);
        pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1);  //不言而喻
    //局部
    pcl::transformPointCloud(*cloud,pcl::PointIndices indices,matrix); //第一个参数为输入,第二个参数为输入点云中部分点集索引,第三个为存储对象,第四个是变换矩阵。</code></pre>

链接两个点云字段(两点云大小必须相同)

         pcl::PointCloud::Ptr cloud (new pcl::PointCloud);
         pcl::io::loadPCDFile("/home/yxg/pcl/pcd/mid.pcd",*cloud);
         pcl::NormalEstimation ne;
        ne.setInputCloud(cloud);
        pcl::search::KdTree::Ptr tree (new pcl::search::KdTree());
        ne.setSearchMethod(tree);
        pcl::PointCloud::Ptr cloud_normals(new pcl::PointCloud()); 
        ne.setKSearch(8);
        //ne.setRadisuSearch(0.3);
        ne.compute(*cloud_normals);    
        pcl::PointCloud::Ptr cloud_with_nomal (new pcl::PointCloud);
        pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);

flann kdtree 查询k近邻

#include 
        pcl::KdTreeFLANN kdtree; //创建KDtree
        kdtree.setInputCloud (in_cloud);
        pcl::PointXYZ searchPoint; //创建目标点,(搜索该点的近邻)
        searchPoint.x = 1;
        searchPoint.y = 2;
        searchPoint.z = 3;
    //<a href="https://www.jb51.cc/tag/chaxun/" target="_blank" class="keywords">查询</a>近邻点的个数
    int k = 10; //近邻点的个数
    std::vector<int> pointIdxNKNSearch(k); //存储近邻点集的索引
    std::vector<float>pointNKNSquareDistance(k); //近邻点集的距离
    if (kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquareDistance)>0)
    {
            for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)
                    std::cout << "    "  <<   in_cloud->points[ pointIdxNKNSearch[i] ].x 
                              << " " << in_cloud->points[ pointIdxNKNSearch[i] ].y 
                              << " " <<in_cloud->points[ pointIdxNKNSearch[i] ].z 
                              << " (squared distance: " <<pointNKNSquareDistance[i] << ")" << std::endl;
    }

    //半径为r的近邻点
    float radius = 40.0f;  //其实是求的100*100距离范围内的点
    std::vector<int> pointIdxRadiusSearch;  //存储的对应的平方距离
    std::vector<float> a;
    if ( kdtree.radiusSearch (searchPoint,radius,pointIdxRadiusSearch,a) > 0 )
    {
      for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
              std::cout << "    "  <<   in_cloud->points[ pointIdxRadiusSearch[i] ].x 
                        << " " <<in_cloud->points[ pointIdxRadiusSearch[i] ].y 
                        << " " << in_cloud->points[ pointIdxRadiusSearch[i] ].z 
                        << " (squared distance: " <<a[i] << ")" << std::endl;
    }</code></pre>

关于ply文件

后缀命名为.ply格式文件,常用的点云数据文件。ply文件不仅可以存储数据,而且可以存储网格数据. 用emacs打开一个ply文件,观察表头,如果表头element face的值为0,ze则表示该文件为点云文件,如果element face的值为某一正整数N,则表示该文件为网格文件,且包含N个网格.
所以利用pcl读取 ply 文件,不能一味用pcl::PointCloud::Ptr cloud (new pcl::PointCloud)来读取。
在读取ply文件时候,首先要分清该文件是点云还是网格类文件。如果是点云文件,则按照一般的点云类去读取即可,,就是这样。
如果ply
文件是网格类,则需要

    pcl::PolygonMesh mesh;
    pcl::io::loadPLYFile(argv[1],mesh);

读取。(官网例子之所以能成功,是因为它对模型进行了细分处理,使得网格变成了点)

计算点的索引

例如sift算法中,pcl无法直接提供索引(主要原因是sift点是通过计算出来的,在某些不同参数下,sift点可能并非源数据中的点,而是某些点的近似),若要获取索引,则可利用以下函数

void getIndices (pointcloud::Ptr cloudin,pointcloud keypoints,pcl::PointIndices::Ptr indices)
{
        pcl::KdTreeFLANN kdtree;
        kdtree.setInputCloud(cloudin);
        std::vectorpointNKNSquareDistance; //近邻点集的距离
        std::vector pointIdxNKNSearch;
    for (size_t i =0; i < keypoints.size();i++)
    {
            kdtree.nearestKSearch(keypoints.points[i],pointNKNSquareDistance);
            // cout<<"the distance is:"<<pointNKNSquareDistance[0]<<endl;
            // cout<<"the indieces is:"<<pointIdxNKNSearch[0]<<endl;

            indices->indices.push_back(pointIdxNKNSearch[0]);

    }

}

其思想就是:将原始数据插入到flann的kdtree中,寻找keypoints的最近邻,如果距离等于0,则说明是同一点,提取索引即可.

原文链接:https://www.f2er.com/note/421412.html

猜你在找的程序笔记相关文章