PCL库点云小知识

1.计算极值点

#include 
#include 
#include 

pcl::PointCloud::Ptr cloud (new pcl::PointCloud);
pcl::io::loadPCDFile ("your_pcd_file.pcd", *cloud);

pcl::PointXYZ minPt, maxPt;
pcl::getMinMax3D (*cloud, minPt, maxPt);

#例如获取最大、最小的x值
float max_x=maxPt.x;
float min_x=minPt.x;
1
2
3
4
5
6
7
8
9
10
11
12
13

2.从点云数据中删除和添加点

#include 
#include 
#include 
#include 
 
pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
pcl::io::loadPCDFile("your_pcd_file.pcd", *cloud);

#1.删除指定位置的点
pcl::PointCloud::iterator index=cloud->begin();
cloud->erase(index);//删除第一个
index=cloud->begin()+5;//删除第5个,???不是第6个吗?从0开始??

#2.在指定位置添加点
pcl::PointXYZ point={1,1,1};
cloud->insert(cloud->begin()+5,point);//在索引号为5的位置1上插入一点，原来的点后移一位

#3.在最后添加点
cloud->push_back(point);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

3.1不同类型点云的相互转换

#方法1.使用pcl自带的函数转换
 PointCloud cloud_xyz;
 PointCloud cloud_xyzrgb;
copyPointCloud(cloud_xyz, cloud_xyzrgb);//将xyz形式点云转换成xyzrgb形式

#方法2.直接赋值
cloud_xyzrgb.points.resize(cloud_xyz.size());
 for (size_t i = 0; i < cloud_xyz.points.size(); i++) {
    cloud_xyzrgb.points[i].x = cloud_xyz.points[i].x;
    cloud_xyzrgb.points[i].y = cloud_xyz.points[i].y;
    cloud_xyzrgb.points[i].z = cloud_xyz.points[i].z;
 }
1
2
3
4
5
6
7
8
9
10
11
12

3.2点对象不同定义方式的相互转换
（类似pcl::PointCloud::Ptr和pcl::PointCloud的两个类相互转换）

#include 
#include 
#include 
 
pcl::PointCloud::Ptr cloudPtr(new pcl::PointCloud);
pcl::PointCloud cloud;
cloud = *cloudPtr;//由Ptr转变为另一种类型
cloudPtr = cloud.makeShared();//转变为Ptr类型
///注意**：一般常用pcl::PointCloud::Ptr，因为kdtree和octree类中的setInputCloud()函数只支持pcl::PointCloud::Ptr类型
1
2
3
4
5
6
7
8
9

4.知道了要保存的点云索引，如何从原点云中只保存需要的索引数据到新点云

#include 
#include 
#include 
#include 
 
pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
pcl::io::loadPCDFile("your_pcd_file.pcd", *cloud);
pcl::PointCloud::Ptr cloudOut(new pcl::PointCloud);

std::vector indexs={1,2,5}; //索引
pcl::copuPointCloud(*cloud,indexs,*cloudOut);//保存到新点云
1
2
3
4
5
6
7
8
9
10
11

5.如何删除无效点(某一个值为nan的点)

pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
pcl::PointCloud::Ptr output(new pcl::PointCloud);

vector indices;
pcl::removeNaNFromPointCloud(*cloud,*output,indices);
pcl::io::savePCDFile("out.pcd",*output);
1
2
3
4
5
6

6.1使用flann kdtree 查询k近邻
（如果被查询点在该点云中，那么第一个近邻为它本身）

#include 
pcl::KdTreeFLANN kdtree; //创建KDtree
kdtree.setInputCloud (cloud);//输入点云
int k=10;//查询的近邻点个数为10
pcl::PointXYZ searchPoint={1,1,1};
std::vector pointIdxNKNSearch(k); //存储近邻点集的索引
std::vectorpointNKNSquareDistance(k); //近邻点集距离的平方值
//size值即为查询到的k近邻点个数
int size=kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquareDistance);
//如果size>0,则可以通过存储的索引对近邻点云进行提取
1
2
3
4
5
6
7
8
9
10
11

6.2使用flann kdtree 查询r范围近邻

#include 
pcl::KdTreeFLANN kdtree; //创建KDtree
kdtree.setInputCloud (cloud); //输入点云
float radius=0.5;//查询的近邻点的距离
pcl::PointXYZ searchPoint={1,1,1};
std::vector pointIdxRadiusSearch; //存储近邻点集的索引
std::vectorpointNRSquareDistance; //近邻点集距离的平方值
//size值即为查询searchPoint点在radius范围内近邻点的个数
int size=kdtree.radiusSearch(searchPoint,radius,pointIdxRadiusSearch,pointNRSquareDistance);
//如果size>0,则可以通过存储的索引对近邻点云进行提取
1
2
3
4
5
6
7
8
9
10

7.计算点云的平均密度

//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
pcl::KdTreeFLANN kdtree;  
kdtree.setInputCloud(cloud);//输入点云
int k =2;
float everagedistance =0;
//为什么要使用cloud->size()/2个点，而不是全部点???
for (int i =0; i < cloud->size()/2;i++)
{
    vector indices ;
    vector squaredistance;
    kdtree.nearestKSearch(cloud->points[i],k,indices,squaredistance);
    everagedistance += sqrt(squaredistance[1]);
}
everagedistance = everagedistance/(cloud->size()/2);
cout<<"everage distance is : "<