pcl官网中kdtree模块代码示例与详细分析

已于 2023-11-06 20:55:24 修改
阅读量157 收藏 1
点赞数 1
文章标签： c++ ubuntu 3d c语言
于 2023-11-06 17:10:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_79707416/article/details/134250424
版权

 学习记录

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>

int
main ()
{
    /*用于设置随机数生成器的种子。它使用了C/C++的标准库函数。
    srand 是用于设置随机数生成器种子的函数。
    time 函数返回自1970年1月1日以来的秒数，这个值是一个时间戳，代表了当前的日期和时间。
    (NULL) 是一个指向空指针的指针，空指针在C/C++中表示不存在任何值，
    因此 time(NULL) 返回的是程序开始运行时的秒数。
    这段代码的意思是，将随机数生成器的种子设置为程序开始运行时的秒数。
    由于种子是随时间变化的，因此每次运行程序时，随机数生成器的行为都会有所不同。
    这样可以使随机数生成器产生不同的随机数序列，以便在程序中进行随机性的操作。*/
    srand (time (NULL));
    
	/*创建点云指针，pcl::PointCloud<pcl::PointXYZ>::Ptr: 
    这是定义一个指向 pcl::PointCloud<pcl::PointXYZ> 对象的智能指针。
    pcl::PointCloud 是 PCL 中的一个类，用于存储大量的3D点（每个点有X，Y，Z三个坐标）。
    pcl::PointXYZ 是表示单个3D点的类。
	cloud: 这是定义的智能指针变量名。
    new pcl::PointCloud<pcl::PointXYZ>: 这是使用new关键字动态分配内存来创建一个
    新的pcl::PointCloud<pcl::PointXYZ> 对象。
	所以，这段代码的意思是创建一个空的、动态分配的 pcl::PointCloud<pcl::PointXYZ> 对象，
    并将其智能指针赋值给变量 cloud。
    此后，你可以通过这个智能指针来访问或者修改这个点云对象。*/
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

    // Generate pointcloud data，使用随即数据创建并填充pointcloud
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize (cloud->width * cloud->height);

    /*for (std::size_t i = 0; i < cloud->size (); ++i): 
    这是一个for循环，它遍历点云中的每一个点。std::size_t是无符号整数类型，用于计数。
    cloud是一个指向pcl::PointCloud对象的指针，cloud->size()返回点云中的点数。
    (*cloud)[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);
    这行代码设置点云中第i个点的x坐标为1024.0乘以一个随机数除以(RAND_MAX + 1.0)。
    这确保了结果是在0.0到1024.0之间，生成的是均匀分布的随机数。*/
    for (std::size_t i = 0; i < cloud->size (); ++i)
        {
            (*cloud)[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);
            (*cloud)[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);
            (*cloud)[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);
        }

    /*创建kdtree对象，这段代码是使用点云库PCL（Point Cloud Library）
    中的KdTreeFLANN类创建一个KdTree对象的示例。这行代码声明了一个名为kdtree的变量，
    该变量的类型是pcl::KdTreeFLANN<pcl::PointXYZ>。这意味着它是一个KdTree对象，
    用于处理点云数据中的空间搜索问题。具体来说，这里的模板参数pcl::PointXYZ
    指定了该KdTree对象将用于处理的数据类型为pcl::PointXYZ，这是PCL中表示点云数据点的类型。*/
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;

    /*向kdtree中传入数据，即将点云数据设置成kdtree结构，setInputCloud方法用于将一个点云数据集设置到KdTree对象中。
    这个数据集被用来构建KdTree。*/
    kdtree.setInputCloud (cloud);

    /*随机生成一个点，这段代码是使用PCL（Point Cloud Library）库的C++语言示例，
    其中pcl::PointXYZ searchPoint;是声明一个名为searchPoint的pcl::PointXYZ类型的变量。
    pcl::PointXYZ是PCL库中用于表示点云数据中单个点的类。每个点有三个坐标值：X，Y和Z。
    这些坐标定义了点在三维空间中的位置。
    例如，你可能想要存储一个你正在查找的点的坐标，或者你可能想要存储一个你正在使用的基准点的坐标。
    请注意，如果你想在点云数据中查找特定的点，你可能需要使用PCL库中的搜索方法，
    如K近邻搜索（K-nearest neighbor search）。
    在这种情况下，searchPoint可能会被用来作为搜索的输入点，以查找在点云数据中最接近它的点。*/
    pcl::PointXYZ searchPoint;

    /*随机设置该点的坐标值。使用了rand()函数来生成一个随机数，*/
    searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);

    // K nearest neighbor search

    int K = 10;

    /*k近邻搜索，即搜索该点周围的10个点。
    std::vector<int> 是一个 C++ 标准库容器，用于存储整数类型（int）的元素。
    每个元素在内存中都有一个连续的存储位置，并且可以通过索引访问。pointIdxKNNSearch(K) 
	这个函数名可能意味着它执行 K-最近邻搜索（K-Nearest Neighbor Search）以找到一些点。*/
    std::vector<int> pointIdxKNNSearch(K);

    /*设置搜索距离为10*/
    std::vector<float> pointKNNSquaredDistance(K);

    /*std::cout 是C++标准库中的一个输出流对象，用于将数据输出到控制台。
    <<是一个插入运算符，用于将右侧的数据插入到左侧的输出流中。
    searchPoint.x、searchPoint.y 和 searchPoint.z 是要输出的坐标值，
    它们表示一个三维空间中的点的坐标。K是要搜索的最近邻居的数量。
    std::endl 是一个换行符，用于在输出后添加一个换行符。*/
    std::cout << "K nearest neighbor search at (" << searchPoint.x 
        << " " << searchPoint.y 
        << " " << searchPoint.z
        << ") with K=" << K << std::endl;

    /*开始k近邻搜索，nearestKSearch函数可能是kdtree类的成员函数，
    用于在KD-Tree中查找最近的K个点。这个函数可能返回找到的邻居的数量，
    如果找到了至少一个邻居（返回值大于0），则执行花括号中的代码。
    花括号中的代码是一个for循环，遍历所有找到的邻居，
    并打印出每个邻居的坐标以及它到搜索点的平方距离。
    pointIdxKNNSearch是一个存储找到的邻居的索引的向量，
    pointKNNSquaredDistance是一个存储这些邻居到搜索点的平方距离的向量。
    这两个向量的长度都是K，因为我们要查找的是最近的K个点。
    (*cloud)[ pointIdxKNNSearch[i] ].x, (*cloud)[ pointIdxKNNSearch[i] ].y, 
    和 (*cloud)[ pointIdxKNNSearch[i] ].z 这些表达式可能是用来从数据云中获取每个邻居的坐标的。
    这个数据云可能是一个包含三维坐标的数据集，每个坐标都有一个唯一的索引，
    这些索引被存储在pointIdxKNNSearch向量中。*/
    if ( kdtree.nearestKSearch (searchPoint, K, pointIdxKNNSearch, pointKNNSquaredDistance) > 0 )
    {
        for (std::size_t i = 0; i < pointIdxKNNSearch.size (); ++i)
            std::cout << "    "  <<   (*cloud)[ pointIdxKNNSearch[i] ].x 
                << " " << (*cloud)[ pointIdxKNNSearch[i] ].y 
                << " " << (*cloud)[ pointIdxKNNSearch[i] ].z 
                << " (squared distance: " << pointKNNSquaredDistance[i] << ")" << std::endl;
    }

    // Neighbors within radius search

	/*使用半径搜索条件搜索，声明了两个变量，名为pointIdxRadiusSearch。
    此向量可能用于存储满足某个半径内的点的索引。名为pointRadiusSquaredDistance。
    这个向量可能用于存储与上述的点相关的平方距离。*/
    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    /*随机生成一个搜索半径，范围是（0，256）*/
    float radius = 256.0f * rand () / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x 
        << " " << searchPoint.y 
        << " " << searchPoint.z
        << ") with radius=" << radius << std::endl;

	/*开始半径搜索，radiusSearch函数可能是KD-Tree类的成员函数，
    用于在KD-Tree中查找在给定半径内的所有点。
    如果找到了至少一个点（返回值大于0），则执行花括号中的代码。
    花括号中的代码是一个for循环，遍历所有找到的点，并打印出每个点的坐标以及它到搜索点的平方距离。
    pointIdxRadiusSearch是一个存储找到的点的索引的向量，
    pointRadiusSquaredDistance是一个存储这些点到搜索点的平方距离的向量。
    这两个向量的长度是由radiusSearch函数返回的，表示找到的点的数量。
    std::size_t是C++标准库中的一种数据类型，它是一个无符号整型类型，
    通常用于表示大小，如数组的大小，容器的大小等。*/
    if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 )
    {
        for (std::size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
            std::cout << "    "  <<   (*cloud)[ pointIdxRadiusSearch[i] ].x 
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].y 
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].z 
                << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }


    return 0;
}

运行结果

 点的坐标和半径大小都是随机产生的，所以每次的运行结果会有不同。

附上不带注释的完整代码

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>

int
main ()
{
    srand (time (NULL));

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

    // Generate pointcloud data
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize (cloud->width * cloud->height);

    for (std::size_t i = 0; i < cloud->size (); ++i)
        {
            (*cloud)[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);
            (*cloud)[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);
            (*cloud)[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);
        }
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;

    kdtree.setInputCloud (cloud);

    pcl::PointXYZ searchPoint;

    searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);

    // K nearest neighbor search

    int K = 10;

    std::vector<int> pointIdxKNNSearch(K);
    std::vector<float> pointKNNSquaredDistance(K);

    std::cout << "K nearest neighbor search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with K=" << K << std::endl;

    if ( kdtree.nearestKSearch (searchPoint, K, pointIdxKNNSearch, pointKNNSquaredDistance) > 0 )
    {
        for (std::size_t i = 0; i < pointIdxKNNSearch.size (); ++i)
            std::cout << "    "  <<   (*cloud)[ pointIdxKNNSearch[i] ].x
                << " " << (*cloud)[ pointIdxKNNSearch[i] ].y
                << " " << (*cloud)[ pointIdxKNNSearch[i] ].z
                << " (squared distance: " << pointKNNSquaredDistance[i] << ")" << std::endl;
    }

    // Neighbors within radius search

    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    float radius = 256.0f * rand () / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with radius=" << radius << std::endl;


    if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 )
    {
        for (std::size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
            std::cout << "    "  <<   (*cloud)[ pointIdxRadiusSearch[i] ].x
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].y
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].z
                << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }


    return 0;
}

明明就在这
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
kd-Tree源码（c++）
03-01
之前写的一个kd-tree，程序里用了一些qt的数据结构，基本不影响阅读。该程序仅供初学kd-tree的同学参考，
kdtree源码和教程
10-09
压缩包里包括kdtree.h和kdtree.c;还包括简略教程.html，包括example。 以上资源在网上搜刮来的，并不是本人原创，具体出处已经找不到了。如侵权请联系立即删除
RobHess的SIFT源码分析：kdtree.h和kdtree.c文件
Why So Serious?
06-29 7512
SIFT源码分析系列文章的索引在这里：RobHess的SIFT源码分析：综述 kdtree.h和kdtree.c这两个文件中实现了k-d树的建立以及用BBF(Best Bin First)算法搜索匹配点的函数。 如果你需要对两个图片中的特征点进行匹配，就要用到这两个文件。 关于k-d树的理解，参考这篇文章，写的挺好：http://blog.csdn.net/ijuli
PCL kdtree的源码分析
南柯一梦的博客
11-27 1177
PCL库的kdtree源码分析，建立搜索树与进行近邻点的查找
C++ 版 K-D 树(kdtree)的实现——源码解析
weixin_45867382的博客
12-05 2561
本文解析了kd-tree的实现方式，源码为C++完成，并通过测试用例测试了该代码。
pcl库实现kdtree
08-23
pcl库实现kdtree
基于pcl库的KD-tree算法
10-17
kdtree的源码，用于压缩点云数据，能够让ICP算法更加快速.k-d树 [1] （k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。K-D树是二进制...
PCL简单点云可视化示例代码和点云文件
04-26
- PCL中的pcl_visualization库提供了可视化相关的数据结构和组件，包含27个类似及十多个函数，其主要是为了其他模块的算法处理后的结果直观的反馈给用户，同时提供与VTK进行数据变换的接口，方便开发者直接进行扩展...
kdtree搜索近邻
07-16
KD树搜索近邻。输入点云为随机生成的，可以换成自己的点云数据。
点云pcl库学习 官方demo示例教程 原理解析代码注释
05-08
PCL（Point Cloud Library）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库， 它实现了大量点云相关的通用算法和高效数据结构， 涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、...
kdtree代码
03-24
kdtree代码，可帮助理解kdtree的意义
kdtree实现源码(C++) 范围查询
05-27
数据结构课程设计 k-d树ADT、范围查询、可视化。kd-tree（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。K-D树是二进制空间分割树的特殊的情况。 在计算机科学里，k-d树（ k-维树的缩写）是在k维欧几里德空间组织点的数据结构。k-d树可以使用在多种应用场合，如多维键值搜索（例：范围搜寻及最邻近搜索）。k-d树是空间二分树（Binary space partitioning ）的一种特殊情况。
kdtree octree源码实现
Learning_xzj的博客
05-08 396
kdtree.py # kdtree的具体实现，包括构建和查找 import random import math import numpy as np from result_set import KNNResultSet, RadiusNNResultSet # Node类，Node是tree的基本组成元素 class Node: def __init__(self, axis, value, left, right, point_indices): self.axi.
PCL之kd-tree详解
微小冷的学习笔记
05-15 3579
kd，即k-dimension，kd树就是k维树，由于点云所在空间几乎都是三维的，所以最常见的也是3d树。 考虑到演示方便，所以用二维空间中的数据来做一点说明，假设现有六个数据点{（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}，如何能够通过这六个点将空间分割，就如下图一样。 当然上面这个图只是一种方案，或许还有其他的划分方式。 对此例来说，其分割步骤为 计算x，y方向上数据的标准差，可得sx≈2.4,sy≈2.1s_x\approx2.4,s_y\approx2.1sx​≈2.
kd-tree理论以及在PCL 中的代码的实现
weixin_34186950的博客
02-27 278
(小技巧记录：博客园编辑的网页界面变小了使用Ctrl  ++来变大网页字体) 通过雷达，激光扫描，立体摄像机等三维测量设备获取的点云数据，具有数据量大，分布不均匀等特点，作为三维领域中一个重要的数据来源，点云主要是表征目标表面的海量点的集合，并不具备传统网格数据的几何拓扑信息，所以点云数据处理中最为核心的问题就是建立离散点间的拓扑关系，实现基于邻域关系的快速查找。 k-d树 （k-dimensio...
《PCL》kdtree
sinat_38792591的博客
09-05 230
K搜索 #include <pcl/point_cloud.h> #include <pcl/kdtree/kdtree_flann.h> #include <vector> pcl::KdTreeFLANN<pcl::PointXYZ>kdtree; kdtree.setInputCloud(cloud); pcl::PointXYZ se...
MATLAB K近邻算法 — knnsearch() 函数
热门推荐
bushixiaofan的专栏
05-30 3万+
K近邻算法是找到K个最近的邻居。  IDX = knnsearch(X,Y) finds the nearest neighbor in X for each point in     Y. X is an MX-by-N matrix and Y is an MY-by-N matrix. Rows of X and Y     correspond to observations and
pcl里面使用KdTree来搜索
海贼王
04-12 2万+
下面这个教程我们将学会怎么用KdTree找一个特殊点附近的K个最近邻，然后我们也将复习怎么通过一个特殊的半径来找里面所有的近邻。 一个k-d树，或者k维的树是一个计算机科学里面的数据结构。它是一个有其它约束影响的二叉搜索树。K-d树是在深度和最近邻搜索里面很有用的。我们这次的目的是生成一个3维的k-d trees。一个k-d tree的每个层次在某个维度上分割成所有的子树，使用一个垂直于相应坐标
【C++】——Stack与Queue（含优先队列（详细解读）
最新发布
m0_74092462的博客
06-09 985
优先队列是一种容器适配器，根据严格的弱排序标准，它的第一个元素总是它所包含的元素中最大的。stack是一种容器适配器，专门用在具有后进先出操作的上下文环境中，其删除只能从容器的一端进行元素的插入与提取操作。 队列是一种容器适配器，专门用于在FIFO上下文(先进先出)中操作，其中从容器一端插入元素，另一端提取元素。
详细解释一下pcl里的kdtree是什么
06-08
PCL（Point Cloud Library）中的 KDTree 是一种用于点云数据处理的数据结构。它是一种二叉树，每个节点表示一个点，其中左子树中的所有点都小于当前节点，右子树中的所有点都大于当前节点。这种数据结构可以用于快速查找点云数据中与给定点最近的 K 个点。 在 PCL 中，KDTree 通常用于搜索最近邻点，例如在点云配准、物体识别、三维重建和机器人导航等领域中。使用 KDTree，可以避免暴力搜索整个点云数据集，从而大大提高算法的效率。 PCL 中的 KDTree 支持多种搜索方法，包括最近邻搜索、半径搜索和 K 近邻搜索。用户可以根据应用场景选择不同的搜索方法。 总之，KDTree 是 PCL 中一个非常常用的数据结构，它可以帮助我们快速高效地处理点云数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值