pcl常用小知識

SimpleTriangle發表於2019-05-13

時間計算

pcl中計算程式執行時間有很多函式，其中利用控制檯的時間計算是：
首先必須包含標頭檔案 #include <pcl/console/time.h>，其次，pcl::console::TicToc time; time.tic(); +程式段 + cout<<time.toc()/1000<<"s"<<endl;就可以以秒輸出“程式段”的執行時間。

如何實現類似pcl::PointCloud::Ptr和pcl::PointCloud的兩個類相互轉換？

#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();

如何查詢點雲的x，y，z的極值？

#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);

如果知道需要儲存點的索引，如何從原點雲中拷貝點到新點雲？

#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);

如何從點雲裡刪除和新增點？

#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);//刪除第一個
index = cloud->begin() + 5;
cloud->erase(cloud->begin());//刪除第5個
pcl::PointXYZ point = { 1, 1, 1 };
//在索引號為5的位置1上插入一點，原來的點後移一位
cloud->insert(cloud->begin() + 5, point);
cloud->push_back(point);//從點雲最後面插入一點
std::cout << cloud->points[5].x;//輸出1

如果刪除的點太多建議用上面的方法拷貝到新點雲，再賦值給原點雲，如果要新增很多點，建議先resize，然後用迴圈向點雲裡的新增。

如何對點雲進行全域性或區域性變換

#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);
//全域性變化
 //構造變化矩陣
        Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();
        float theta = M_PI/4;   //旋轉的度數，這裡是45度
        transform_1 (0,0) = cos (theta);  //這裡是繞的Z軸旋轉
        transform_1 (0,1) = -sin(theta);
        transform_1 (1,0) = sin (theta);
        transform_1 (1,1) = cos (theta);
        //   transform_1 (0,2) = 0.3;   //這樣會產生縮放效果
        //   transform_1 (1,2) = 0.6;
        //    transform_1 (2,2) = 1;
        transform_1 (0,3) = 25; //這裡沿X軸平移
        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
        
        //區域性
        pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix); //第一個引數為輸入，第二個引數為輸入點雲中部分點集索引，第三個為儲存物件，第四個是變換矩陣。

連結兩個點雲欄位（兩點雲大小必須相同）

         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);

如何從點雲中刪除無效點

pcl中的無效點是指：點的某一座標值為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;
    }

將xyzrgb格式轉換為xyz格式的點雲

#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 查詢k近鄰

   //平均密度計算
        pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;  //建立一個快速k近鄰查詢,查詢的時候若該點在點雲中，則第一個近鄰點是其本身
        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; //建立KDtree
        kdtree.setInputCloud (in_cloud);
        pcl::PointXYZ searchPoint; //建立目標點，（搜尋該點的近鄰）
        searchPoint.x = 1;
        searchPoint.y = 2;
        searchPoint.z = 3;

        //查詢近鄰點的個數
        int k = 10; //近鄰點的個數
        std::vector<int> pointIdxNKNSearch(k); //儲存近鄰點集的索引
        std::vector<float>pointNKNSquareDistance(k); //近鄰點集的距離
        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;
        }

        //半徑為r的近鄰點
        float radius = 40.0f;  //其實是求的40*40距離範圍內的點
        std::vector<int> pointIdxRadiusSearch;  //儲存的對應的平方距離
        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;
        }

關於`ply`檔案

字尾命名為.ply格式檔案，常用的點雲資料檔案。ply檔案不僅可以儲存點資料，而且可以儲存網格資料. 用emacs開啟一個ply檔案，觀察表頭，如果表頭element face的值為0,ze則表示該檔案為點雲檔案，如果element face的值為某一正整數N，則表示該檔案為網格檔案，且包含N個網格.
所以利用pcl讀取 ply 檔案，不能一味用pcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PintT>)來讀取。
在讀取ply檔案時候，首先要分清該檔案是點雲還是網格類檔案。如果是點雲檔案，則按照一般的點雲類去讀取即可，官網例子,就是這樣。
如果ply檔案是網格類，則需要

    pcl::PolygonMesh mesh;
    pcl::io::loadPLYFile(argv[1],mesh);
    pcl::io::savePLYFile("result.ply", mesh);

讀取。（官網例子之所以能成功，是因為它對模型進行了細分處理，使得網格變成了點）

計算點的索引

例如sift演算法中，pcl無法直接提供索引（主要原因是sift點是通過計算出來的，在某些不同引數下，sift點可能並非源資料中的點，而是某些點的近似），若要獲取索引，則可利用以下函式：

void getIndices (pointcloud::Ptr cloudin, pointcloud keypoints, pcl::PointIndices::Ptr indices)
{
        pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
        kdtree.setInputCloud(cloudin);
        std::vector<float>pointNKNSquareDistance; //近鄰點集的距離
        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：將原始資料插入到flann的kdtree中，尋找keypoints的最近鄰，如果距離等於0,則說明是同一點，提取索引即可.

計算質心

     Eigen::Vector4f centroid;  //質心
     pcl::compute3DCentroid(*cloud_smoothed,centroid); //估計質心的座標

從網格提取頂點（將網格轉化為點）

#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所屬標頭檔案；
#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;
}

以上程式碼可以從.obj或.ply面片格式轉化為點雲型別。

彙編必知小知識點及常用debug命令
2020-10-20
c語言常用小知識點總結1
2018-08-15
C語言
Java程式設計常用計算機小知識
2024-08-15
Java程式設計計算機
http常用知識理解
2019-02-14
HTTP
webpack常用知識點
2019-10-16
Web
SVN - 常用知識點
2020-10-12
知識小匯
2019-04-01
Spring小知識
2018-11-14
Spring
Python小知識
2018-08-26
Python
baota小知識
2024-03-18
vue常用的知識點
2018-10-29
Vue
Flow 常用知識點整理
2019-03-31
Vue常用知識速記
2018-04-06
Vue
Http協議常用知識
2018-03-27
HTTP協議
常用前端知識積累
2020-12-17
前端
Flex知識小結
2018-12-01
Flex
js小知識點
2019-01-17
JS
mongo 小知識點
2018-05-18
Go
JavaSE小知識（二）
2020-11-20
Java
前端小知識點
2024-11-28
前端
java小知識點
2021-09-09
Java
小知識點1
2020-12-10
Koa 框架常用知識點整理
2019-03-29
框架
docker常用知識點總結
2024-11-06
Docker
mysql 常用知識點總結
2024-09-16
MySql
RabbitMQ 常用知識點總結
2021-07-12
MQ
# Redis 常用知識總結（一）
2020-12-21
Redis
Vue重要知識小結
2018-10-23
Vue
Mybatis中的小知識
2018-05-11
MyBatis
【JAVA】- 知識點小結
2019-10-28
Java
tomcat基礎小知識
2020-04-04
Tomcat
Flutter小知識--what is key?
2019-07-11
Flutter
promise知識點小結
2019-03-04
Promise
VEEAM的小知識點
2024-10-18
java小知識-納秒
2024-11-26
Java
ElasticSearch知識點小記
2024-10-29
Elasticsearch
makefile 知識點小結
2024-06-14
【小知識】mapstruct通用配置
2021-12-03
Struct