pcl基于八叉树进行空间划分和搜索操作

已于 2023-07-03 11:23:48 修改
阅读量855 收藏 10
点赞数 1
分类专栏： PCL 文章标签： pcl
于 2023-06-30 17:21:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/Scarlett2025/article/details/131458343
版权

        建立空间索引在点云数据处理中已被广泛应用，常见空间索引一般是自顶向下逐级划分空间的各种空间索引结构，比较有代表性的包括 BSP 树、KD 树、KDB 树、 R树、R+树、CELL 树、四叉树和八叉树等索引结构，而在这些结构中 KD 树和八叉树在 3D点云数据排列中应用较为广泛。 PCL 对八叉树的数据结构建立和索引方法进行了实现，以方便在此基础上对点云进行处理操作 。

         八叉树（Octree）的定义是：若不为空树的话，树中任一节点的子节点恰好只会有八个，或零个，也就是子节点不会有0与8以外的数目。那么，这要用来做什么？想象一个立方体，我们最少可以切成多少个相同等分的小立方体？答案就是8个。再想象我们有一个房间，房间里某个角落藏着一枚金币，我们想很快的把金币找出来，聪明的你会怎么做？我们可以把房间当成一个立方体，先切成八个小立方体，然后排除掉没有放任何东西的小立方体，再把有可能藏金币的小立方体继续切八等份….如此下去，平均在log_{8} (n)（n表示房间内的所有物体数）的时间内就可找到金币。因此，八叉树就是用在3D空间中的场景管理，可以很快地知道物体在3D场景中的位置，或侦测与其它物体是否有碰撞以及是否在可视范围内。

这里引入了一个概念：Voxel翻译为体积元素，简称体素。描述了一个预设的最小单位的正方体

        pcl的octree库提供了从点云数据创建具有层次的数据结构的方法。这样就可以对点数据集进行空间分区，下采样和搜索操作。每个八叉树节点有八个子节点或没有子节点。根节点描述了一个包围所有点的3维包容盒子。
        pcl_octree实现提供了有效的最近邻居搜索（邻域搜索）API，例如“ 体素（Voxel）邻居搜索”，“ K最近邻居搜索”和“半径搜索邻居”。叶子节点类也提供其他功能，例如空间“占用率”和“每个体素（Voxel）的点密度”检查；序列化和反序列化功能可将八叉树结构有效地编码为二进制格式；此外，内存池实现减少了昂贵的内存分配和释放操作，以便快速创建八叉树。
        下图说明了最低树级别的八叉树节点的体素边界框。八叉树体素围绕着兔子表面的每个3D点。红点代表点数据。该图像是使用octree_viewer创建的（visualization/tools/octree_viewer）

方式二：K 近邻搜索

        本例中K被设置成10, K 近邻搜索（K nearest neighbor search）方法把搜索结果写到两个分开的向量中, 第一个pointIdxNKNSearch 包含搜索结果〈结果点的索引的向量〉， 第二个pointNKNSquaredDistance 保存相应的搜索点和近邻之间的距离平方。 

#include <iostream>
#include <vector>
#include <ctime>
#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>
#include <pcl/visualization/cloud_viewer.h>

int main(int argc, char** argv) {
    srand((unsigned int)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 (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }
   
    float resolution = 128.0f;  // 设置分辨率为128
    // resolution该参数描述了octree叶子leaf节点的最小体素尺寸。
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);  // 设置输入点云
    octree.addPointsFromInputCloud();  // 通过点云构建octree

    pcl::PointCloud<pcl::PointXYZ>::Ptr searchCloud(new pcl::PointCloud<pcl::PointXYZ>);
    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);
    searchCloud->push_back(searchPoint);
   
    int K = 10;

    std::vector<int> pointIdxNKNSearch;
    std::vector<float> pointNKNSquaredDistance;

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

    if (octree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
            << " " << cloud->points[pointIdxNKNSearch[i]].y
            << " " << cloud->points[pointIdxNKNSearch[i]].z
            << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
    }

    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> originColorHandler(cloud, 255, 255, 255);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> searchColorHandler(searchCloud, 0, 255, 0);

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.1176, 0.1176, 0.2353);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, originColorHandler, "cloud");
    viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "search_cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    viewer.addLine(originPoint, searchPoint, "line");  // 添加从原点到搜索点的线段
    viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 1, 0.2784, "line");
    viewer.addCoordinateSystem(200); // 指定坐标轴的长度，单位mm

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

 

octree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance)

 pcl::octree::OctreePointCloudSearch<pcl::PointXYZ>::nearestKSearch()方法返回一个整数值，表示搜索操作是否成功并且找到了足够的最近邻点。如果搜索成功并且找到了至少K个最近邻点，则返回实际找到的最近邻点数量；否则，返回0。

该方法将给定的搜索点作为参数，并在八叉树中搜索最近的K个邻近点。找到的最近邻点的索引将存储在pointIdxNKNSearch向量中，而对应的欧氏距离平方将存储在pointNKNSquaredDistance向量中。

方式一：“体素近邻搜索”

        体素近邻搜索(Neighbors within voxel search)：它把查询点所在的体素中其他点的索引作为查询结果返回,结果以点索引向量的形式保存,因此搜索点和搜索结果之间的距离取决于八叉树的分辨率参数。

#include <iostream>
#include <vector>
#include <ctime>
#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>
#include <pcl/visualization/cloud_viewer.h>

int main(int argc, char** argv) {
    srand((unsigned int)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 (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }
   
    float resolution = 128.0f;  // 设置分辨率为128
    // resolution该参数描述了octree叶子leaf节点的最小体素尺寸。
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);  // 设置输入点云
    octree.addPointsFromInputCloud();  // 通过点云构建octree

    pcl::PointCloud<pcl::PointXYZ>::Ptr searchCloud(new pcl::PointCloud<pcl::PointXYZ>);
    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);
    searchCloud->push_back(searchPoint);
   
    std::vector<int> pointIdxVec;

    if (octree.voxelSearch(searchPoint, pointIdxVec)) {
        std::cout << "Neighbors within voxel search at (" << searchPoint.x
            << " " << searchPoint.y
            << " " << searchPoint.z << ")"
            << std::endl;

        for (size_t i = 0; i < pointIdxVec.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxVec[i]].x
            << " " << cloud->points[pointIdxVec[i]].y
            << " " << cloud->points[pointIdxVec[i]].z << std::endl;
    }

    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> originColorHandler(cloud, 255, 255, 255);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> searchColorHandler(searchCloud, 0, 255, 0);

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.1176, 0.1176, 0.2353);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, originColorHandler, "cloud");
    viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "search_cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    viewer.addLine(originPoint, searchPoint, "line");  // 添加从原点到搜索点的线段
    viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 1, 0.2784, "line");
    viewer.addCoordinateSystem(200); // 指定坐标轴的长度，单位mm

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

 

octree.voxelSearch(searchPoint, pointIdxVec)

 pcl::octree::OctreePointCloudSearch<pcl::PointXYZ>::voxelSearch()方法返回一个bool类型的值，表示搜索操作是否成功。如果搜索成功并且找到了匹配的体素，则返回true；否则，返回false。

该方法将给定的搜索点作为参数，并在八叉树中搜索包含该点的体素。如果找到匹配的体素，则会将体素内的点索引存储在pointIdxVec向量中，并返回true。如果没有找到匹配的体素，则pointIdxVec向量将为空，并返回false。

 方式三：半径内近邻搜索

         半径内近邻搜索（Neighbors within radius search）原理和“K 近邻搜索”类似,它的搜索结果被写入两个分开的向量中, 这两个向量分别存储结果点的索引和对应的距离平方

#include <iostream>
#include <vector>
#include <ctime>
#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>
#include <pcl/visualization/cloud_viewer.h>

int main(int argc, char** argv) {
    srand((unsigned int)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 (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    float resolution = 128.0f;  // 设置分辨率为128
    // resolution该参数描述了octree叶子leaf节点的最小体素尺寸。
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);  // 设置输入点云
    octree.addPointsFromInputCloud();  // 通过点云构建octree

    pcl::PointCloud<pcl::PointXYZ>::Ptr searchCloud(new pcl::PointCloud<pcl::PointXYZ>);
    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);
    searchCloud->push_back(searchPoint);

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

    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> originColorHandler(cloud, 255, 255, 255);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> searchColorHandler(searchCloud, 0, 255, 0);

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.1176, 0.1176, 0.2353);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, originColorHandler, "cloud");
    viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "search_cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    viewer.addLine(originPoint, searchPoint, "line");  // 添加从原点到搜索点的线段
    viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 1, 0.2784, "line");
    viewer.addCoordinateSystem(200); // 指定坐标轴的长度，单位mm

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

 

octree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance)

pcl::octree::OctreePointCloudSearch<pcl::PointXYZ>::radiusSearch()方法是用于在八叉树中执行半径搜索的函数。它根据给定的搜索点和半径，在八叉树中找到落在指定半径范围内的所有点。

以下是该方法的参数说明：

  1. searchPoint：要进行半径搜索的点，类型为pcl::PointXYZ。即你希望以这个点为中心进行半径搜索。
  2. radius：指定的搜索半径，类型为double。它定义了从搜索点出发的球体的半径，只有落在该球体内的点才会被搜索到。
  3. pointIdxRadiusSearch：存储在搜索半径范围内的点的索引的向量，类型为std::vector<int>。
  4. pointRadiusSquaredDistance：存储在搜索半径范围内的点与搜索点之间的欧氏距离平方的向量，类型为std::vector<float>。

使用radiusSearch()方法时，传递一个搜索点和半径作为输入参数，并提供两个向量作为输出参数。方法将填充pointIdxRadiusSearch向量以保存搜索半径范围内的点的索引，同时填充pointRadiusSquaredDistance向量以保存每个点与搜索点之间的欧氏距离平方。

​​​​​​​pcl_octree_viewer工具

pointCloudLibrary点云库在windows下使用pcl_viewer工具

（1）首先在点云库安装目录下找到pcl_octree_viewer.exe,具体根据自己的安装目录确定

(2) 使用cmd命令行打开

 cd 到pcl_octree_viewer.exe 路径，敲入命令:

pcl_octree_viewer.exe F:\DarkHorse\data\rabbit.pcd 0.01

"pcl_octree_viewer.exe <pcd file> <resolution>"，其中<pcd file>代表点云文件的路径，<resolution>代表八叉树的分辨率

 

  • v -> 隐藏或显示octree立方体
  • b -> 隐藏或显示体素中心点
  • n -> 隐藏或显示原始点云
  • q -> 退出

 

 

Scarlett2025
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL 八叉树的使用
点云侠的博客
02-27 36万+
PCL中八叉树实现空间搜索、半径搜索、K近邻搜索代码的实现。
基于八叉树的体素滤波.rar
02-24
PCL的VoxelGrid类和ApproximateVoxelGrid类实现基于体素的滤波方法对点云进行下采样，八叉树同样也是建立体素，因此基于八叉树的体素同样可以对点云进行下采样。PCL中有现成函数可实现求解八叉树体素中心，所以最简单的方法就是用八叉树的体素中心点来代替每一个体素内的点，从而实现点云的下采样。 注意：这种方法与ApproximateVoxelGrid基本相同，都是以中心点代替体素内的点。惟一的区别是：ApproximateVoxelGrid可以自由设置体素的长宽高，而八叉树只能是构建正方体的体素。   代码中也实现了对八叉树体素滤波的改进，即用距离体素中心点最近的点来代替
【C++】pcl库中的k-d tree和八叉树算法
Zhang_Chen_的博客
09-21 2880
1.计算机图形学中的Mesh(网格)数据结构；2.k-d tree的概念以及在pcl中的应用(快速邻域搜索)；3.八叉树的概念以及在pcl中的应用(空间划分及搜索)
PCL学习笔记（七）-- 八叉树OcTree
不学会C++不改名
07-22 7502
一、八叉树简介 1）简述八叉树 描述三维空间的八叉树和描述二维空间的四叉树有相似之处，二维空间中的正方形可以被分为四个相同新装的正方形，而三维空间中的正方体可以被分为八个形状大小相同的正方体。因此，八叉树可以看成是四叉树方法在三维空间内的推广，也可以认为是三维体素阵列表示形体方法的一种改进。使用八叉树可以快速进行三维目标的集合运算，如交、并、补、差等，亦可以快速进行最近邻点或区域的搜索，缺点是八叉树需要消耗一定的存储空间。 2）八叉树的逻辑结构： 假设需要表示的形体V可以放在一个...
指针搜索_点云空间搜索之八叉树（含源码）
weixin_35651855的博客
01-01 642
除了上一回介绍的kd树，八叉树也很常用，具体介绍传送门。是我此前写的另一篇回答。游戏场景管理的八叉树算法是怎样的在PCL中,封装了体素内邻近搜索、K近邻搜索、半径内近邻搜索。示例代码很多，就不细讲了。教程非常多下面我主要说一说两个不太常见的应用。一、八叉树应用之空间变化检测知乎视频​www.zhihu.com核心来说，PCL中使用了双缓冲八叉树（double-buffering octree）结构...
PCL之octree详解
微小冷的学习笔记
05-16 2146
文章目录octreeoctree搜索octree点云压缩 octree 八叉树(octree)是一种空间中的栅格化方法，为了更直观地理解八叉树的思想，可通过其二维形式——四叉树来进行说明。仍以六个数据点作为研究对象：{(2,3), (5,4), (9,6), (4,7), (8,1), (7,2)}，如果以[0,10)[0,10)[0,10)为坐标空间，那么通过对这个空间四等分，可得到下左图 =》 令所有的分割都是左闭右开的，那么被分割后的四个区间中，除了右下角的方块包含三个点
PCL中的八叉树
相忘于江湖的专栏
09-29 1811
PCL中八叉树的体素构造方式和基于八叉树的邻域搜索和空间变化检测等应用。
基于八叉树的空间划分及搜索操作
月照银海似蛟龙的博客
07-07 2028
基于八叉树的空间划分及搜索操作原理CodeCmakeList.txtCPP体素 近邻 搜索K 近邻 搜索半径内 近邻 搜索Result 原理 建立空间索引在点云数据处理中有着广泛的应用，常见的空间索引一般 是自顶而下逐级划分空间的各种空间索引结构。 比较有代表性的包括 BSP树 KD树 KDB树 R树 四叉树 八叉树 这些结构中，KD树和八叉树使用比较广泛 八叉树定义： 八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节
【PCL自学：ocTree】八叉树（octree）的原理及应用案例(点云压缩，搜索，空间变化)
热门推荐
斯坦福的兔子的博客
02-20 1万+
PCL中八叉树（octree）的原理及应用案例一、什么是八叉树ocTree？1.八叉树原理二、八叉树应用案例1.点云压缩2.用八叉树进行空间划分和搜索操作3.无序点云数据的空间变化检测 一、什么是八叉树ocTree？ 1.八叉树原理   上世纪80年代，八叉树结构被提出来，用来表示空间中的区域划分，简单来说，空间可以被分为8个象限，想象一下假设空间中存在一个笛卡尔坐标系，则该坐标系将空间分为了8个象限，每个象限又可以按照这种方式再建立一个笛卡尔坐标系，再划分为8个象限，以此类推，空间中任何一块区域都可以被n
空间索引方式——八叉树
最新发布
多敲代码！
01-17 943
3D点云中常见空间索引方式，八叉树的基本理论
pcl点云八叉树构建和显示
07-26
点云 pcl八叉树的构建和读取显示，通过多分辨率对点云分层，实现点云的内外村加载技术。首先是构建点云分层，然后是逐层显示点云，通过内外存调度实现点云的多分辨率，节省内存和时间，不要的细节不加载
Octree_点云构建八叉树_pcl库_点云库_
10-02
在VS2010平台上搭建PCL库使用C++语言对散乱点云进行八叉树构建
基于ARM和PCL6045的运动控制器设计
11-29
基于ARM和PCL6045的运动控制器设计
基于PCL－818HG的损伤测试系统的设计
12-13
摘 要：为了对遭受火灾损伤后的混凝土结构进行修复和加固。必须对其损伤特性参数进行测试和诊断。采用PCL-818HG数据采集卡和Visual C++6．O开发了混凝土结构损伤测试系统。可以实时测量荷载、位移、应变及加速度等...
点云的降采样：八叉树采样（Octree）
weixin_43236428的博客
12-09 1万+
#1 Octree 什么是octree？ 百度百科释义：八叉树（Octree）的定义是：若不为空树的话，树中任一节点的子节点恰好只会有八个，或零个，也就是子节点不会有0与8以外的数目。那么，这要用来做什么？想象一个立方体，我们最少可以切成多少个相同等分的小立方体？答案就是8个。再想象我们有一个房间，房间里某个角落藏着一枚金币，我们想很快的把金币找出来，聪明的你会怎么做？我们可以把房间当成一个立方体...
PCL——（6）八叉树Octree
一抹烟霞的博客
07-09 684
文章目录一、八叉树简介：二、构建步骤三、点云八叉树应用算法:3.1 Octree用于点云压缩3.2 基于Octree的空间划分及搜索3.3 无序点云的空间变化检测3.4 占据检测3.5 获取所有占用体素的中心点(Voxel grid filter/downsampling)3.6 删除点所在的体素3.7 迭代器3.8 光线跟踪碰撞检测支付宝微信 一、八叉树简介： 体素化使用空间的均匀分割 八叉树对空间非均匀分割(按需分割) 1D数据的2叉树表示 2D数据的4叉树表示 3D数据的8叉树表示 二、
PCL函数库摘要——k-d tree与八叉树
qq_36829039的博客
05-30 988
1.Class pcl::KdTree< PointT > 类KdTree是kd-tree数据结构的实现，并且是具有最近邻搜索实现的类KdTreeeFLANN的基类。 #include <pcl/kdtree/kdtree.h> KdTree (bool sorted=true) // 空的构造函数 virtual void setInputCloud (const PointCloudConstPtr &cloud, const IndicesConstPtr &
pcl::octree::OctreePointCloudSearch：pcl点云图临近点搜索 使用以及报错处理
v俊逸
04-29 1848
Octreepointcloud search classMore... #include <pcl/octree/octree_search.h> Inheritance diagram for pcl::octree::OctreePointCloudSearch< PointT, LeafT, OctreeT >: Collaboration di...
pcl中的outofcore模块 基于核外八叉树的大规模点云的加载与显示 给出代码示例
06-02
这里提供一个基于PCL OutOfCore模块的示例代码，用于加载和显示大规模点云数据： ```cpp #include <pcl/io/pcd_io.h> #include <pcl/visualization/pcl_visualizer.h> #include <pcl/outofcore/outofcore.h> #include <pcl/console/time.h> int main(int argc, char** argv) { // 创建一个 OutOfCoreOctree 对象 pcl::outofcore::OutofcoreOctreeBase<pcl::PointXYZ> octree("pointcloud.octree"); // 从 PCD 文件中加载点云数据 pcl::console::TicToc tt; tt.tic(); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("pointcloud.pcd", *cloud); std::cout << "Loaded " << cloud->size() << " points in " << tt.toc() << " ms" << std::endl; // 将点云数据添加到 OutOfCoreOctree 中 tt.tic(); octree.convertPointCloud(cloud); std::cout << "Converted " << cloud->size() << " points to octree in " << tt.toc() << " ms" << std::endl; // 创建可视化窗口并显示 OutOfCoreOctree 中的点云数据 pcl::visualization::PCLVisualizer viewer("PointCloud Viewer"); viewer.addCoordinateSystem(); viewer.setBackgroundColor(0.0, 0.0, 0.0); viewer.initCameraParameters(); // 遍历 OutOfCoreOctree 中的所有块，并将其中的点云数据显示出来 std::vector<pcl::outofcore::OutofcoreOctreeBase<pcl::PointXYZ>::OctreeDiskContainer::Ptr> leafs; octree.getLeafContainers(leafs); for (std::vector<pcl::outofcore::OutofcoreOctreeBase<pcl::PointXYZ>::OctreeDiskContainer::Ptr>::iterator it = leafs.begin(); it != leafs.end(); ++it) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); (*it)->loadPointCloud<pcl::PointXYZ>(cloud); pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> handler(cloud, rand() % 256, rand() % 256, rand() % 256); viewer.addPointCloud<pcl::PointXYZ>(cloud, handler); } // 进入可视化循环 viewer.spin(); return 0; } ``` 在这个示例代码中，我们首先创建了一个 OutOfCoreOctreeBase 对象，并将其初始化为一个名为 "pointcloud.octree" 的文件。然后，我们从一个名为 "pointcloud.pcd" 的 PCD 文件中加载点云数据，并使用 convertPointCloud 函数将其添加到 OutOfCoreOctree 中。接着，我们创建了一个可视化窗口，并遍历了 OutOfCoreOctree 中的所有块，将其中的点云数据添加到可视化窗口中进行显示。最后，我们进入了可视化循环，等待用户交互操作。

“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