《PCL》PCL小点

2023-12-29 09:58
文章标签 pcl 小点

本文主要是介绍《PCL》PCL小点,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

https://blog.csdn.net/u013541523/article/details/83154480
时间计算

pcl中计算程序运行时间有很多函数,其中利用控制台的时间计算是:
首先必须包含头文件 #include <pcl/console/time.h>,其次,pcl::console::TicToc time; time.tic(); +程序段 + cout<<time.toc()/1000<<“s”<<endl;就可以以秒输出“程序段”的运行时间。
如何实现类似pcl::PointCloud::Ptr和pcl::PointCloud的两个类相互转换?

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>pcl::PointCloud<pcl::PointXYZ>::Ptr cloudPointer(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ> cloud;
cloud = *cloudPointer;
cloudPointer = cloud.makeShared();

如何查找点云的x,y,z的极值?

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/common.h>
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud;
cloud = pcl::PointCloud<pcl::PointXYZ>::Ptr (new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ> ("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 <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("C:\office3-after21111.pcd", *cloud);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZ>);
std::vector<int > indexs = { 1, 2, 5 };
pcl::copyPointCloud(*cloud, indexs, *cloudOut);

如何从点云里删除和添加点?

#include <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("C:\office3-after21111.pcd", *cloud);
pcl::PointCloud<pcl::PointXYZ>::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 <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/common/transforms.h>pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);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<pcl::PointXYZ>::Ptr transform_cloud1 (new pcl::PointCloud<pcl::PointXYZ>);pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1);  //不言而喻//局部pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,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。

链接两个点云字段(两点云大小必须相同)

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

如何从点云中删除无效点

pcl中的无效点是指:点的某一坐标值为nan.

#include <pcl/point_cloud.h>#include <pcl/point_types.h>#include <pcl/filters/filter.h>#include <pcl/io/pcd_io.h>using namespace std;typedef pcl::PointXYZRGBA point;typedef pcl::PointCloud<point> CloudType;int main (int argc,char **argv){CloudType::Ptr cloud (new CloudType);CloudType::Ptr output (new CloudType);pcl::io::loadPCDFile(argv[1],*cloud);cout<<"size is:"<<cloud->size()<<endl;vector<int> indices;pcl::removeNaNFromPointCloud(*cloud,*output,indices);cout<<"output size:"<<output->size()<<endl;pcl::io::savePCDFile("out.pcd",*output);return 0;}

将xyzrgb格式转换为xyz格式的点云

#include <pcl/io/pcd_io.h>
#include <ctime>
#include <Eigen/Core>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>using namespace std;
typedef pcl::PointXYZ point;
typedef pcl::PointXYZRGBA pointcolor;int main(int argc,char **argv)
{pcl::PointCloud<pointcolor>::Ptr input (new pcl::PointCloud<pointcolor>);pcl::io::loadPCDFile(argv[1],*input);pcl::PointCloud<point>::Ptr output (new pcl::PointCloud<point>);int M = input->points.size();cout<<"input size is:"<<M<<endl;for (int i = 0;i <M;i++){point p;p.x = input->points[i].x;p.y = input->points[i].y;p.z = input->points[i].z; output->points.push_back(p);}output->width = 1;output->height = M;cout<< "size is"<<output->size()<<endl;pcl::io::savePCDFile("output.pcd",*output);}

flann kdtree 查询k近邻

   //平均密度计算pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;  //创建一个快速k近邻查询,查询的时候若该点在点云中,则第一个近邻点是其本身kdtree.setInputCloud(cloud);int k =2;float everagedistance =0;for (int i =0; i < cloud->size()/2;i++){vector<int> nnh ;vector<float> squaredistance;//  pcl::PointXYZ p;//   p = cloud->points[i];kdtree.nearestKSearch(cloud->points[i],k,nnh,squaredistance);everagedistance += sqrt(squaredistance[1]);//   cout<<everagedistance<<endl;}
everagedistance = everagedistance/(cloud->size()/2);
cout<<"everage distance is : "<<everagedistance<<endl;#include <pcl/kdtree/kdtree_flann.h>pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; //创建KDtreekdtree.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;//查询近邻点的个数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40*40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;}

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,官网例子,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);
pcl::io::savePLYFile("result.ply", 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<pcl::PointXYZ> kdtree;kdtree.setInputCloud(cloudin);std::vector<float>pointNKNSquareDistance; //近邻点集的距离std::vector<int> pointIdxNKNSearch;for (size_t i =0; i < keypoints.size();i++){kdtree.nearestKSearch(keypoints.points[i],1,pointIdxNKNSearch,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.
计算质心

 Eigen::Vector4f centroid;  //质心pcl::compute3DCentroid(*cloud_smoothed,centroid); //估计质心的坐标

从网格提取顶点(将网格转化为点)

#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/obj_io.h>
#include <pcl/PolygonMesh.h>
#include <pcl/point_cloud.h>
#include <pcl/io/vtk_lib_io.h>//loadPolygonFileOBJ所属头文件;
#include <pcl/io/vtk_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/point_types.h>
using namespace pcl;
int main(int argc,char **argv)
{pcl::PolygonMesh mesh;//   pcl::io::loadPolygonFileOBJ(argv[1], mesh);pcl::io::loadPLYFile(argv[1],mesh);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::fromPCLPointCloud2(mesh.cloud, *cloud);pcl::io::savePCDFileASCII("result.pcd", *cloud);
return 0;
}

以上代码可以从.obj或.ply面片格式转化为点云类型。

这篇关于《PCL》PCL小点的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/549158

相关文章

[转载]iphone开发--改变UIPageControl里的小点的颜色

原文地址:iphone开发--改变UIPageControl里的小点的颜色 作者:canghai iphone开发--改变UIPageControl里的小点的颜色 iphone的UIPageControl控件可以显示用户huan'dong滑动到的页码。但是里面的小点的颜色时默认的白色。如果背景也是白色的hu话,你就悲剧了。于是乎上网找了一些资料,找到了改变UIPageContr

PCL点云滤波

激光扫描仪、RGB-D相机等设备获取点云数据时,由于设备精度,电磁波的衍射特性,环境因素,操作者经验等因素,导致获取的点云存在一定程度的噪声。点云中的噪声点对后续操作的影响比较大,因此在进行后续处理操作前,应先去除点云噪声。   PCL中有一个专门的点云滤波模块(滤波函数文档地址),可以将噪声点去除,还可以进行点云压缩等操作,非常灵活实用,例如:双边滤波,统计滤波,条件滤波,随机采样一致性滤波

PCL-直通滤波

本篇内容: 讲解直通滤波的作用通过pcl实现直通滤波 效果: 1 主要原理 点云数据通常包含x、y、z三个维度的数据,用户指定维度、范围后,直通滤波过滤或保留该范围内的所有点云 假设我指定维度’y’,范围(0.0,0.1),运行直通滤波后,则过滤或保留y坐标为(0.0,0.1)范围内的所有点云 2 直通滤波主要流程 初始化直通滤波器: pcl::PassThrough<PointTy

【译】PCL官网教程翻译(22):全局对齐空间分布(GASD)描述符 - Globally Aligned Spatial Distribution (GASD) descriptors

英文原文查看 全局对齐空间分布(GASD)描述符 本文描述了全局对齐的空间分布(GASD)全局描述符,用于有效的目标识别和姿态估计。 GASD基于表示对象实例的整个点云的参考系的估计,该实例用于将其与正则坐标系对齐。然后,根据对齐后的点云的三维点在空间上的分布情况计算其描述符。这种描述符还可以扩展到整个对齐点云的颜色分布。将匹配点云的全局对齐变换用于目标姿态的计算。更多信息请参见GASD。

【译】PCL官网教程翻译(21):旋转投影统计(RoPs)特征 - RoPs (Rotational Projection Statistics) feature

英文原网址查看 旋转投影统计(RoPs)特征 在本教程中,我们将学习如何使用pcl::ROPSEstimation类来提取点特性。在这门课中实现的特征提取方法是由Yulan Guo, Ferdous Sohel, Mohammed Bennamoun, Min Lu and Jianwei Wanalso在他们的文章《旋转投影统计用于三维局部表面描述和目标识别》中提出的。 理论基础 特征提

【译】PCL官网教程翻译(20):惯性矩和偏心距描述符 - Moment of inertia and eccentricity based descriptors

英文原网页查看。 基于惯性矩和偏心距的描述符 在本教程中,我们将学习如何使用pcl::MomentOfInertiaEstimation类来获得基于偏心量和惯性矩的描述符。这个类还允许提取轴对齐和有向的点云包围框。但是请记住,提取的OBB可能并不是最小的边界框。 理论基础 特征提取方法的思想如下。首先计算点云的协方差矩阵,提取点云的特征值和特征向量。可以考虑得到的特征向量是归一化的,并且总

【译】PCL官网教程翻译(19):从深度图像中提取NARF特征 - How to extract NARF Features from a range image

英文原文阅读 从深度图像中提取NARF特征 本教程演示如何从深度图像中提取位于NARF关键点位置的NARF描述符。可执行文件使我们能够从磁盘加载点云(如果没有提供,也可以创建点云),从中提取感兴趣的点,然后在这些位置计算描述符。然后,它在图像和3D查看器中可视化这些位置。 代码 首先,在您喜欢的编辑器中创建一个名为narf_feature_extract .cpp的文件,并在其中放置以下代

【译】PCL官网教程翻译(18):估计一组点的视点特征直方图(VFH)签名 - Estimating VFH signatures for a set of points

英文原文查看 估计一组点的视点特征直方图(VFH)签名 本文描述了视点特征直方图([VFH])描述符,这是一种针对聚类(如对象)识别和6DOF姿态估计问题的点簇表示方法。 下图展示了一个VFH识别和姿态估计的例子。给定一组火车数据(除最左边的点云外,最上面一行、最下面一行),学习一个模型,然后使用一个云(最左边的部分)查询/测试模型。匹配的结果按从最好到最差的顺序从左到右从左下角开始。有关更多

【译】PCL官网教程翻译(17):快速点特征直方图(FPFH)描述符 -Fast Point Feature Histograms (FPFH) descriptors

英文原文阅读 快速点特征直方图(FPFH)描述符 计算复杂度直方图(见点特征直方图(PFH)描述符)对于一个给定的有 n n n个点的点云 P P P为 O ( n k 2 ) O (nk ^ 2) O(nk2), k k k是每个点P的最邻近点个数。对于要求实时或接近实时的应用程序,密集点的特征直方图的计算效率是一个一个主要问题。 本教程描述了PFH公式的简化,称为快速点特征直方图(FPF

【译】PCL官网教程翻译(16):点特征直方图(PFH)描述符 -Point Feature Histograms (PFH) descriptors

英文原网页查看。 点特征直方图(PFH)描述符 就点特征表示而言,表面法线和曲率估计是在表示特定点周围的基本的几何形状方面。虽然计算速度极快,也很容易,但是它们不能捕捉太多的细节,因为它们只能用很少的值来近似一个点的k邻域的几何形状。直接的结果是,大多数场景将包含许多具有相同或非常相似的特征值的点,从而减少了它们的信息特征。 本教程介绍了一组为简单起见而创建的3D特征描述符PFH(点特征直方图