PCL一些常用小知识--一

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);

如何从点云里删除和添加点？

#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<a href="https://www.jb51.cc/tag/yige/" target="_blank" class="keywords">一个</a>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>pointNKNSquare<a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance(k); //近邻点集的距离
    if (kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquare<a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance)>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 <a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance: " <<pointNKNSquare<a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance[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 <a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance: " <<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文件不仅可以存储点数据，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],pointNKNSquare<a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance);
            // cout<<"the <a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance is:"<<pointNKNSquare<a href="https://www.jb51.cc/tag/dis/" target="_blank" class="keywords">dis</a>tance[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.
                
                                 
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [e-mail] 举报，一经查实，本站将立刻删除。