pcl

ModelOutlierRemoval 基于模型的点分割操作，将模型外的点从点云中剔除。 #include <iostream> #include <pcl/point_types.h> #include <pcl/filters/model_outlier_removal.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_sphere_filtered (new pcl::PointCloud<pcl::PointXYZ>); //x^2 + y^2 + z^2 = 1 pcl::ModelCoefficients sphere_coeff; sphere_coeff.values.resize (4); sphere_coeff.values[0] = 0; sphere_coeff.values[1] = 0; sphere_coeff.values[2] = 0; sphere_coeff.values[3] = 1; pcl::ModelOutlierRemoval<pcl::PointXYZ> sphere_filter; sphere_filter

1.vs2017+cmake 3.13编译 1.1 github 下载源码 cloudcompare 1.2 cmake 编译 步骤1 步骤2 （1）勾选plugin 中的pcl相关的选项（这里是通过wrapper的方式将pcl相应的算法加入到CC中） （2））配置pcl相应的依赖库的位置如图 （3）配置好pcl的第三方库的位置如boost egien flann glew 等， （4）qt 环境配置 这些都是通过系统环境变量方式加入，cmake会自动找到，如果找不到通过cmake_gui 手动添加 步骤三 在vs 中生成，首先选择all_bulid ,然后选择install，这里默认的安装位置是c：programme files /cloudcompare **步骤四* 打开运行测试，已经看到pcl插件了 2.qt5.10+cmake3.13+MSVC17编译 2.1 github 下载源码 cloudcompare 2.2 直接在qt中配置cmake编译 cmake 和qmake的结合，确实比在此之外使用cmake +vs快速而且方便的多 此时构建因此的 配置如下 构建+运行 2.3 打开运行测试 ## 3 cloudcompare 插件只有pcl 可用其他编译未通过 应该是CGAL TBB等第三方库的配置问题 来源： https://www.cnblogs.com

std::vector <pcl::PointIndices> 在使用分割算法分割点云时，会生成多个pcl::PointIndices，通常会保存在std::vector中，以下分割算法会生成多个pcl::PointIndices： std::vector<pcl::PointIndices> cluster_indices; //欧式聚类分割 pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec; ec.extract (cluster_indices); //区域增长分割 pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg; reg.extract (cluster_indices); //基于RGB的区域增长分割 pcl::RegionGrowingRGB<pcl::PointXYZRGB> reg; reg.extract (cluster_indices); 保存pcl::PointIndices到文件的代码实现如下： #include <pcl/io/pcd_io.h> #include <pcl/filters/extract_indices.h> //输入点云 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new

Region growing segmentation 该算法基于法线的用于拟合点云中所有的平面。 算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。 工作原理：区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程： 1.点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集； 2.对于每个种子点，算法都会发现周边的所有近邻点。1）计算每个近邻点与当前种子点的法线角度差(reg.setSmoothnessThreshold)，如果差值小于设置的阈值，则该近邻点被重点考虑，进行第二步测试；2）该近邻点通过了法线角度差检验，如果它的曲率小于我们设定的阈值(reg.setCurvatureThreshold)，这个点就被添加到种子点集，即属于当前平面。 3.通过两次检验的点，被从原始点云去除。 4.设置最小点簇的点数min（reg.setMinClusterSize），最大点簇为max（reg.setMaxClusterSize）。 4.重复1-3步，算法会生成点数在min和max的所有平面

Region growing segmentation 该算法基于法线的用于拟合点云中所有的平面。 算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。 工作原理：区域增长是从有最小曲率值(curvature value)的点开始的。因此，我们必须计算出所有曲率值，并对它们进行排序。这是因为曲率最小的点位于平坦区域，而从最平坦的区域增长可以减少区域的总数。现在我们来具体描述这个过程： 1.点云中有未标记点，按照点的曲率值对点进行排序，找到最小曲率值点，并把它添加到种子点集； 2.对于每个种子点，算法都会发现周边的所有近邻点。1）计算每个近邻点与当前种子点的法线角度差(reg.setSmoothnessThreshold)，如果差值小于设置的阈值，则该近邻点被重点考虑，进行第二步测试；2）该近邻点通过了法线角度差检验，如果它的曲率小于我们设定的阈值(reg.setCurvatureThreshold)，这个点就被添加到种子点集，即属于当前平面。 3.通过两次检验的点，被从原始点云去除。 4.设置最小点簇的点数min（reg.setMinClusterSize），最大点簇为max（reg.setMaxClusterSize）。 4.重复1-3步，算法会生成点数在min和max的所有平面

Euclidean Cluster Extraction 欧式聚类流程如下： 设置一个合适的聚类搜索半径Cluster-Tolerance很重要,如果半径过小，那么会分割出多个对象，如果设置太高会造成多个对应聚类到成一个，因此需要测试找到合适的搜索半径。 http://pointclouds.org/documentation/tutorials/cluster_extraction.php#cluster-extraction #include <pcl/kdtree/kdtree.h> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/segmentation/extract_clusters.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>); // Creating the KdTree object for the search method of the extraction pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);

圆柱模型 http://pointclouds.org/documentation/tutorials/cylinder_segmentation.php#cylinder-segmentation #include <pcl/ModelCoefficients.h> #include <pcl/point_types.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <pcl/segmentation/sac_segmentation.h> #include <pcl/features/normal_3d.h> typedef pcl::PointXYZ PointT; pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg; pcl::PointCloud<PointT>::Ptr cloud_filtered2 (new pcl::PointCloud<PointT>); pcl::PointCloud<pcl::Normal>::Ptr cloud_normals2 (new pcl::PointCloud<pcl::Normal>); // Create

使用分割算法分割完成后，会将分割的点云索引保存在pcl::PointIndices类型的数据中，实际上是一个vector的数组。通过该indices使用pcl::ExtractIndices<PointT>把点云提取到单独的点云中。 http://pointclouds.org/documentation/tutorials/cylinder_segmentation.php#cylinder-segmentation #include <pcl/filters/extract_indices.h> typedef pcl::PointXYZ PointT; //分割的输入点云 pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>); //保存分割后点云的数据索引 pcl::PointIndices::Ptr inliers_plane(new pcl::PointIndices)； //提取 pcl::ExtractIndices<PointT> extract; extract.setInputCloud(cloud); extract.setIndices(inliers_plane); //保存提取的plane点云 extract.setNegative(false); //存放提取的plane点云

pcl中几种常见的点云渲染方式 （1）颜色区别深度 此方法在PointCloudColorHandlerGenericField类中实现，该将不同的深度值显示为不同的颜色，实现以颜色区分深度的目的，PointCloudColorHandlerGenericField方法是将点云按深度值(“x”、“y”、"z"均可)的差异着以不同的颜色进行渲染。 #include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/visualization/pcl_visualizer.h> #include <vector> using namespace std; int main(int argc, char* argv[]) { pcl::PointCloud<pcl::PointXYZ>::Ptr Cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("./biansu.pcd", *Cloud);//读入点云数据 pcl::visualization::PCLVisualizer viewer("display"); viewer.setBackgroundColor(0, 0, 0);

通过平面进行分割，代码中随机生成z=1平面上的点，修改三个点的z！=1，使用平面分割保留z=1上的点。 http://www.pointclouds.org/documentation/tutorials/planar_segmentation.php#planar-segmentation #include <iostream> #include <pcl/ModelCoefficients.h> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <pcl/segmentation/sac_segmentation.h> int main (int argc, char** argv) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); // Fill in the cloud data cloud->width = 15; cloud->height = 1; cloud->points.resize