PCL 的欧式距离聚类源代码解析

最新推荐文章于 2024-09-14 08:58:52 发布

点云-激光雷达-Slam-三维牙齿

最新推荐文章于 2024-09-14 08:58:52 发布

阅读量484

点赞数

分类专栏：点云-激光雷达处理代码合集 python为主文章标签： c++ python

本文链接：https://blog.csdn.net/a394467238/article/details/124229365

版权

点云-激光雷达处理代码合集 python为主专栏收录该内容

118 篇文章 382 订阅 ¥29.90 ¥99.00

订阅专栏

本文详细解析了PCL（Point Cloud Library）中欧式距离聚类的实现过程，通过实例介绍了如何使用kdTree寻找空间点的最近邻，并根据设定的阈值形成聚类。算法主要包括找到初始点，迭代寻找相邻点并更新聚类集合，直至无新点加入。PCL的聚类代码清晰地体现了这一流程。

摘要由CSDN通过智能技术生成

今天稍微花了点时间看了下相关算法，做个简单的笔记。

欧几里德算法具体的实现方法大致是：

1 找到空间中某点p10，有kdTree找到离他最近的n个点，判断这n个点到p的距离。将距离小于阈值r的点p12,p13,p14....放在类Q里

2 在 Q(p10) 里找到一点p12,重复1

3 在 Q(p10,p12) 找到一点，重复1，找到p22,p23,p24....全部放进Q里

4 当 Q 再也不能有新点加入了，则完成搜索了；

看 PCL的代码，过程很简单，也能看出这个过程，聚类代码如下：

pcl::extractEuclideanClusters (const PointCloud<PointT> &cloud,
                               const typename search::Search<PointT>::Ptr &tree,
                               float tolerance, std::vector<PointIndices> &clusters,
                               unsigned int min_pts_per_cluster,
                               unsigne

了解本专栏