PCL教程-点云分割之平面模型分割

已于 2022-04-11 21:17:15 修改
阅读量7k 收藏 51
点赞数 11
分类专栏： PCL点云处理 文章标签： PCL 点云分割 点云处理
于 2021-09-07 10:41:28 首次发布
原文链接：https://pcl.readthedocs.io/projects/tutorials/en/latest/planar_segmentation.html#planar-segmentation
版权

原文链接：Plane model segmentation — Point Cloud Library 0.0 documentation

基于RANSAC的基本检测算法虽然具有较高的鲁棒性和效率，但是目前仅针对平面，球，圆柱体，圆锥和圆环物种基本的基元。

在本次教程中，我们将学习对一组点云做简单的平面分割，也就是在点云中找到组成平面模型的所有点。

目录

程序代码

实验结果

 程序分析

步骤1：创建在同一个平面上的点云（z=1）：

步骤2：设置几个平面外的点（z != 1)

步骤3：平面分割

步骤4：分割结果-系数因子

步骤5：分割结果-模型内点的下标

步骤6：打印结果并显示

CmakeLists.txt

程序代码

#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>
#include<pcl/visualization/pcl_visualizer.h>
#include<pcl/io/pcd_io.h>
#include<vector>

int
main(int argc, char** argv)
{
	//原始点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	//平面上的点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_inner(new pcl::PointCloud<pcl::PointXYZ>);	
	//平面外的点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_outer(new pcl::PointCloud<pcl::PointXYZ>);
	
	//填充点云数据
	(*cloud).width = 15;
	(*cloud).height = 1;
	(*cloud).points.resize((*cloud).width * (*cloud).height);
	//生成数据
	for (size_t i = 0; i < (*cloud).points.size(); ++i)
	{
		(*cloud).points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
		(*cloud).points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
		//z 坐标始终为1，说明这些点位于同一个平面
		(*cloud).points[i].z = 1.0;
	}
	//设置几个局外点，三个平面外的点
	(*cloud).points[0].z = 200.0;
	(*cloud).points[3].z = -200.0;
	(*cloud).points[6].z = 400.0;
	std::cerr << "Point cloud data: " << (*cloud).points.size() << " points" << std::endl;
	for (size_t i = 0; i < (*cloud).points.size(); ++i)
		std::cerr <<"index:\t"<< i<<"\t" << (*cloud).points[i].x << "\t"
		<< (*cloud).points[i].y << "\t"
		<< (*cloud).points[i].z << std::endl;


	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
	//创建分割对象
	pcl::SACSegmentation<pcl::PointXYZ> seg;
	//可选设置
	seg.setOptimizeCoefficients(true);
	//必须设置
	seg.setModelType(pcl::SACMODEL_PLANE);
	seg.setMethodType(pcl::SAC_RANSAC);
	seg.setDistanceThreshold(0.01);
	seg.setInputCloud(cloud);
	seg.segment(*inliers, *coefficients);

	//判断是否分割成功
	if (inliers->indices.size() == 0)
	{
		PCL_ERROR("Could not estimate a planar model for the given dataset.");
		return (-1);
	}
	std::cerr << std::endl << "Model coefficients: " << coefficients->values[0] << " "
		<< coefficients->values[1] << " "
		<< coefficients->values[2] << " "
		<< coefficients->values[3] << std::endl << std::endl;


	//根据分割结果填充平面内和平面外点云
	cloud_inner->width = inliers->indices.size();
	cloud_inner->height = 1;
	cloud_inner->points.resize(cloud_inner->width * cloud_inner->height);

	cloud_outer->width = cloud->points.size() - inliers->indices.size();
	cloud_outer->height = 1;
	cloud_outer->points.resize(cloud_outer->width * cloud_outer->height);

	//创建一个数组，大小为点云总数,初始化为0
	std::vector<int> p_flag(cloud->points.size());

	//将平面内的点标记
	for (size_t i = 0; i < inliers->indices.size(); ++i)
		p_flag[inliers->indices[i]] = 1;

	for (size_t i = 0,j=0 ; i < (*cloud).points.size(); ++i)
	{
		//遍历，找出平面外的点
		if (p_flag[i] == 0)
		{
			cloud_outer->points[j].x = (*cloud).points[i].x;
			cloud_outer->points[j].y = (*cloud).points[i].y;
			cloud_outer->points[j].z = (*cloud).points[i].z;
			++j;
			std::cerr << "outer points index:\t" << i << "\t" << (*cloud).points[i].x << "\t"
				<< (*cloud).points[i].y << "\t"
				<< (*cloud).points[i].z << std::endl;
		}
	}

	//打印出平面外的点
	std::cerr << std::endl << "Outer points: " << cloud_outer->points.size() << std::endl;
	for (size_t i = 0; i < cloud_outer->points.size(); ++i)
	{
		std::cerr << "\t" << (*cloud_outer).points[i].x << "\t"
			<< (*cloud_outer).points[i].y << "\t"
			<< (*cloud_outer).points[i].z << std::endl;
	}

	//平面内的点
	std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;
	for (size_t i = 0; i < inliers->indices.size(); ++i)
	{
		cloud_inner->points[i].x = (*cloud).points[inliers->indices[i]].x;
		cloud_inner->points[i].y = (*cloud).points[inliers->indices[i]].y;
		cloud_inner->points[i].z = (*cloud).points[inliers->indices[i]].z;
		std::cerr << "index:\t" << inliers->indices[i] << "\t" << (*cloud).points[inliers->indices[i]].x << "\t"
			<< (*cloud).points[inliers->indices[i]].y << "\t"
			<< (*cloud).points[inliers->indices[i]].z << std::endl;
	}

	//图形化显示
	//创建PCLVisualzer对象
	pcl::visualization::PCLVisualizer viewer("Plane Model Segmentation");

	int v1(1);
	int v2(2);
	
	//创建视角v1，v2
	viewer.createViewPort(0.0, 0.0, 0.5, 1.0,v1);
	viewer.createViewPort(0.5, 0.0, 1.0, 1.0,v2);
	//设置背景颜色为白色
	viewer.setBackgroundColor(255, 255, 255, v1);
	viewer.setBackgroundColor(255, 255, 255, v2);
	//添加直角坐标，放大1000倍
	viewer.addCoordinateSystem(1000,v1);
	viewer.addCoordinateSystem(1000,v2);
	
	//设置点云颜色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_origin(cloud, 255, 0, 0);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_in(cloud_inner, 255, 0, 0);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out(cloud_outer, 0, 0, 255);


	viewer.addPointCloud(cloud, cloud_origin, "v1", v1);
	viewer.addPointCloud(cloud_outer, cloud_out, "v2", v2);
	viewer.addPointCloud(cloud_inner, cloud_in, "v3", v2);

	//设置点云的大小，point_size默认为1，这里设置为1000，突出显示
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v1",v1);
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v2",v2);
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v3",v2);
	viewer.spin();

	return (0);
}

实验结果

打印输出：

Point cloud data: 15 points
index:  0       1.28125 577.094 2
index:  1       197.938 828.125 1
index:  2       599.031 491.375 1
index:  3       358.688 917.438 -2
index:  4       842.562 764.5   1
index:  5       178.281 879.531 1
index:  6       727.531 525.844 4
index:  7       311.281 15.3438 1
index:  8       93.5938 373.188 1
index:  9       150.844 169.875 1
index:  10      1012.22 456.375 1
index:  11      121.938 4.78125 1
index:  12      9.125   386.938 1
index:  13      544.406 584.875 1
index:  14      616.188 621.719 1

Model coefficients: 0 0 1 -1

outer points index:     0       1.28125 577.094 2
outer points index:     3       358.688 917.438 -2
outer points index:     6       727.531 525.844 4

Outer points: 3
        1.28125 577.094 2
        358.688 917.438 -2
        727.531 525.844 4
Model inliers: 12
index:  1       197.938 828.125 1
index:  2       599.031 491.375 1
index:  4       842.562 764.5   1
index:  5       178.281 879.531 1
index:  7       311.281 15.3438 1
index:  8       93.5938 373.188 1
index:  9       150.844 169.875 1
index:  10      1012.22 456.375 1
index:  11      121.938 4.78125 1
index:  12      9.125   386.938 1
index:  13      544.406 584.875 1
index:  14      616.188 621.719 1
 

结果图：

 

 

左图为原始点云，右图为处理结果：红色为同一平面上的点，蓝色为平面外的点。

 程序分析

步骤1：创建在同一个平面上的点云（z=1）：

//填充点云数据
	(*cloud).width = 15;
	(*cloud).height = 1;
	(*cloud).points.resize((*cloud).width * (*cloud).height);
	//生成数据
	for (size_t i = 0; i < (*cloud).points.size(); ++i)
	{
		(*cloud).points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
		(*cloud).points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
		//z 坐标始终为1，说明这些点位于同一个平面
		(*cloud).points[i].z = 1.0;
	}

步骤2：设置几个平面外的点（z != 1)

	//设置几个局外点，三个平面外的点
	(*cloud).points[0].z = 200.0;
	(*cloud).points[3].z = -200.0;
	(*cloud).points[6].z = 400.0;

步骤3：平面分割

	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
	//创建分割对象
	pcl::SACSegmentation<pcl::PointXYZ> seg;
	//可选设置
	seg.setOptimizeCoefficients(true);
	//必须设置
	seg.setModelType(pcl::SACMODEL_PLANE);
	seg.setMethodType(pcl::SAC_RANSAC);
	seg.setDistanceThreshold(0.01);
	seg.setInputCloud(cloud);
	seg.segment(*inliers, *coefficients);

	//判断是否分割成功
	if (inliers->indices.size() == 0)
	{
		PCL_ERROR("Could not estimate a planar model for the given dataset.");
		return (-1);
	}

创建:pcl:`SACSegmentation <pcl::SACSegmentation>`对象，设置模型和方法类型，还有设置距离阈值为0.01，它决定了必须离模型多近才会被认为是平面内的点。

在篇教程中，我们使用了RANSAC方法(pcl::SAC_RANSAC) ，因为Ransac的简单性的动机（其他强大的估算器用作基础并添加额外的更复杂的概念）。

步骤4：分割结果-系数因子

分割结果包括：模型内的点的下标以及该模型的系数因子。

比如一个平面的方程式为：aX + bY + cZ + d = 0

在此次实验中得出的系数因子为：0 0 1 -1

即 a=0 , b=0 , c=1, d=-1

 将平面上的点代入该方程即可验证结果为正确。

步骤5：分割结果-模型内点的下标

分割结果中包括在平面模型内的点的下标（在原始点云中），通过这个下标，就可以将平面内和平面外的点云分割开，单独显示。

 Model inliers: 12
index:  1       197.938 828.125 1
index:  2       599.031 491.375 1
index:  4       842.562 764.5   1
index:  5       178.281 879.531 1
index:  7       311.281 15.3438 1
index:  8       93.5938 373.188 1
index:  9       150.844 169.875 1
index:  10      1012.22 456.375 1
index:  11      121.938 4.78125 1
index:  12      9.125   386.938 1
index:  13      544.406 584.875 1
index:  14      616.188 621.719 1


	//根据分割结果填充平面内和平面外点云
	cloud_inner->width = inliers->indices.size();
	cloud_inner->height = 1;
	cloud_inner->points.resize(cloud_inner->width * cloud_inner->height);

	cloud_outer->width = cloud->points.size() - inliers->indices.size();
	cloud_outer->height = 1;
	cloud_outer->points.resize(cloud_outer->width * cloud_outer->height);

	//创建一个数组，大小为点云总数,初始化为0
	std::vector<int> p_flag(cloud->points.size());

	//将平面内的点标记
	for (size_t i = 0; i < inliers->indices.size(); ++i)
		p_flag[inliers->indices[i]] = 1;

	for (size_t i = 0,j=0 ; i < (*cloud).points.size(); ++i)
	{
		//遍历，找出平面外的点
		if (p_flag[i] == 0)
		{
			cloud_outer->points[j].x = (*cloud).points[i].x;
			cloud_outer->points[j].y = (*cloud).points[i].y;
			cloud_outer->points[j].z = (*cloud).points[i].z;
			++j;
			std::cerr << "outer points index:\t" << i << "\t" << (*cloud).points[i].x << "\t"
				<< (*cloud).points[i].y << "\t"
				<< (*cloud).points[i].z << std::endl;
		}
	}

	//打印出平面外的点
	std::cerr << std::endl << "Outer points: " << cloud_outer->points.size() << std::endl;
	for (size_t i = 0; i < cloud_outer->points.size(); ++i)
	{
		std::cerr << "\t" << (*cloud_outer).points[i].x << "\t"
			<< (*cloud_outer).points[i].y << "\t"
			<< (*cloud_outer).points[i].z << std::endl;
	}

	//平面内的点
	std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;
	for (size_t i = 0; i < inliers->indices.size(); ++i)
	{
		cloud_inner->points[i].x = (*cloud).points[inliers->indices[i]].x;
		cloud_inner->points[i].y = (*cloud).points[inliers->indices[i]].y;
		cloud_inner->points[i].z = (*cloud).points[inliers->indices[i]].z;
		std::cerr << "index:\t" << inliers->indices[i] << "\t" << (*cloud).points[inliers->indices[i]].x << "\t"
			<< (*cloud).points[inliers->indices[i]].y << "\t"
			<< (*cloud).points[inliers->indices[i]].z << std::endl;
	}

步骤6：打印结果并显示

  • 使用PCLVisualizer创建视图对象
  • 使用pcl::visualization::PointCloudColorHandlerCustom设置点云颜色
  • 使用setPointCloudRenderingProperties()设置点的大小（突出显示）
//图形化显示
	//创建PCLVisualzer对象
	pcl::visualization::PCLVisualizer viewer("Plane Model Segmentation");

	int v1(1);
	int v2(2);
	
	//创建视角v1，v2
	viewer.createViewPort(0.0, 0.0, 0.5, 1.0,v1);
	viewer.createViewPort(0.5, 0.0, 1.0, 1.0,v2);
	//设置背景颜色为白色
	viewer.setBackgroundColor(255, 255, 255, v1);
	viewer.setBackgroundColor(255, 255, 255, v2);
	//添加直角坐标，放大1000倍
	viewer.addCoordinateSystem(1000,v1);
	viewer.addCoordinateSystem(1000,v2);
	
	//设置点云颜色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_origin(cloud, 255, 0, 0);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_in(cloud_inner, 255, 0, 0);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_out(cloud_outer, 0, 0, 255);


	viewer.addPointCloud(cloud, cloud_origin, "v1", v1);
	viewer.addPointCloud(cloud_outer, cloud_out, "v2", v2);
	viewer.addPointCloud(cloud_inner, cloud_in, "v3", v2);

	//设置点云的大小，point_size默认为1，这里设置为1000，突出显示
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v1",v1);
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v2",v2);
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1000,"v3",v2);
	viewer.spin();

CmakeLists.txt

cmake_minimum_required(VERSION 2.8 FATAL_ERROR)

project(planar_segmentation)

find_package(PCL 1.2 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (planar_segmentation planar_segmentation.cpp)
target_link_libraries (planar_segmentation ${PCL_LIBRARIES})

SOC罗三炮
关注
  • 11
    点赞
  • 踩
  • 51
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
两种点云分割（一）— RANSAC分割平面
叶子的博客
05-02 1万+
两种点云分割（一）— RANSAC分割平面，含样例数据与python源码
Python点云处理（九）点云平面分割拟合
weixin_43894929的博客
08-17 4085
最小二乘法、RANSAC算法和PCA算法都是常用的点云平面拟合算法，各有优劣势和适用场景。最小二乘法适用于数据噪声较小的情况；RANSAC算法对噪声和异常点有较好的鲁棒性；PCA算法适用于没有明显异常点且数据在平面上分布的情况。因此在实际应用中，需要根据具体问题的需求选择合适的算法。
Python 点云平面分割【RANSAC算法】
最新发布
weixin_43896283的博客
05-25 233
点云平面分割：可以在点云数据中找到平面并计算平面模型系数，同时输出平面点云及非平面点云。
PCL学习笔记（二十四）-- PCL实现平面模型分割
不学会C++不改名
07-28 2019
一、简介 PCL中Segementation库提供了点云分割的基础数据结构和部分通用的分割算法，目前实现的算法主要是基于聚类分割思想和基于随机采样一致性的分割算法，这些算法适用于将由多个空间分布独立的区域组成的点云分割成格子独立的点云子集，或者提取出特定的模型的点云数据，以便后续处理。 二、代码分析 1）创建点云数据然后再屏幕上打印这些点的坐标值，为了达到本教程的目的，在数据中手动添加几个局外点，并设置它们的z值不为1，即不在z = 1所在的平面上的点作为局外点，在z = 1平面上的点...
【点云处理技术之PCL】点云分割算法1——平面模型分割、圆柱模型分割和欧式聚类提取(含欧式聚类原理)
非晚非晚的博客
01-10 4076
1. 平面分割2. 圆柱分割3. 欧式聚类分割下面的欧式聚类分割代码逻辑为：首先对原始点云做下采样，体素大小为0.01.然后采样点云做平面滤波，使用的是SAC_RANSAC平面滤波，直到总量小于原始的0.3倍之后才不做平面滤波，对平面滤波剩余的点云进行欧式距离分割。
PCL点云库——平面模型分割
fei_12138的博客
11-15 982
PCL平面模型分割 　　平面模型分割是采用随机采样一致性对点云拟合出一个平面，将点到该平面的距离小于“距离阈值”的点都作为内点，大于“距离阈值”的点都作为外点。可以通过设置参数选择保留内点还是外点。 ...
PCL分割学习
qq_41345281的博客
11-23 1797
1.点云切割概述 点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。 2.PCL中常用的点云分割方法 Plane model segmentation (平面模型分割）:这个算法能...
一文详解点云分割算法
3D视觉工坊
02-24 1万+
作者丨书生意封侯@知乎来源丨https://zhuanlan.zhihu.com/p/470782623编辑丨3D视觉工坊从某种意义上说，地面点剔除（分割）也属于点云分割的一种，但两者技术...
PCL: Segmentation模块之SACSegmentation点云分割
热门推荐
宫保鸡丁
09-07 2万+
小结：         采样一致性分割算法的目的主要是从原点云中提取目标模型，比如说面，球体，圆柱等等，从而为后续的目标识别或者点云匹配等等做准备。
基于PCL的点云平面分割
基于msg的ROS话题发布
02-25 1025
1、RANSAC算法 提取点云中的平面常用的算法是RANSAC，即Random Sample Consensus随机采样一致算法，简单来说，它就是从一堆数据中挑选出子集最心仪的数据，比如挑选一条直线等。看网上博客，有一个解释挺有趣的说法。 RANSAC的基本假设是： （1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释； （2）“局外点”是不能适应该模型的数据； （3）除此之外的数...
点云分割-点云地面分割+非点云数据聚类+点云可视化+Python实现-优质项目实战.zip
02-18
点云分割技术是计算机视觉和三维重建领域中的一个重要研究方向，尤其在自动驾驶、无人机导航、地理信息系统和室内定位等应用中具有广泛的应用价值。本项目旨在通过Python编程语言，结合点云地面分割、非点云数据聚类...
plane_segmentation:从Pointcloud分割平面结构
03-18
使用PCL进行平面分割 在此存储库中，PCL库用于从点云中分割刨床结构。在我的情况下，我试图将表细分为该对象。 PCL使用带有RANSAC的平面分割来检测代表该平面的索引。稍后在ExtractIndices对象上生成以从输入点云中提取代表平面的索引。 这是RANSAC平面检测方法的步骤。 从点云中选择三个随机点，这些点将构成一个平面。 查找平面的参数。 然后使用点到平面方程计算点云中的点到该平面之间的距离 如果距离在指定的阈值之内，则这些点将被视为内衬。 重复该过程的max_iterations时间。 最后，使用PCL查看器将代表平面和感兴趣对象的点可视化。 要求 需要PCL库才能使用此存储库。 干杯:)
基于PCL的欧式距离分割方法
11-21
基于PCL1.7.1 使用欧式距离并考虑法向量对点云数据进行分割
使用RANSAC提取平面
09-21
使用PCL中RANSAC探测识别平面，并且可将探测出的多个平面进行单独保存。
C#实现激光点云的平面分割
04-10
在点云分割中，RANSAC会选择一组初始随机点，假设它们属于同一平面，然后计算该平面的方程。接着，将剩余点根据与该平面的距离进行分类，选择支持该平面的点，并重新估计平面。这个过程会反复进行，直到达到预设的...
大场景内建筑物点云提取及平面分割算法_卢维欣1
08-03
【大场景内建筑物点云提取及平面分割算法】是一种针对地面激光点云数据的处理方法，旨在从大规模的点云数据中准确地提取建筑物并进行平面分割。该方法由卢维欣等人提出，主要应用于遥感信息工程领域，特别是在激光...
点云分割-实现Ransac随机采样算法分割地面点云-优质项目实战.zip
02-18
在点云分割场景中，RANSAC通常用来找到一个最佳拟合平面，这个平面代表地面点云。算法的工作原理是通过随机选取小部分点（基础集）来拟合一个初步模型，然后计算其他点与该模型的偏差，根据阈值将点分类为“内点”...
点云分割-使用C++实现在线分割激光点云中的地面点+墙面点-优质项目实战.zip
02-18
在本项目中，我们可能需要使用PCL的地面点检测算法，如RANSAC（随机样本一致性）或者基于平面模型的分割方法，这些算法能够识别并分离出与地面平行的平面。 地面点分割通常涉及以下步骤： 1. **预处理**：去除噪声...
【PCL-1】RANSAC平面分割
WXG1011的博客
03-17 854
PCL-RANSAC分割平面
pcl点云平面分割代码示例
04-05
以下是一个基于PCL库的平面分割示例代码： ```c++ #include <iostream> #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) { // 加载点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("plane.pcd", *cloud); // 创建分割器 pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients); pcl::PointIndices::Ptr inliers(new pcl::PointIndices); pcl::SACSegmentation<pcl::PointXYZ> seg; seg.setOptimizeCoefficients(true); seg.setModelType(pcl::SACMODEL_PLANE); seg.setMethodType(pcl::SAC_RANSAC); seg.setDistanceThreshold(0.01); // 执行分割 seg.setInputCloud(cloud); seg.segment(*inliers, *coefficients); // 输出分割结果 std::cerr << "Model coefficients: " << coefficients->values[0] << " " << coefficients->values[1] << " " << coefficients->values[2] << " " << coefficients->values[3] << std::endl; std::cerr << "Inliers: " << inliers->indices.size() << std::endl; for (std::size_t i = 0; i < inliers->indices.size(); ++i) std::cerr << inliers->indices[i] << " " << cloud->points[inliers->indices[i]].x << " " << cloud->points[inliers->indices[i]].y << " " << cloud->points[inliers->indices[i]].z << std::endl; return 0; } ``` 这个示例代码首先加载了一个点云文件，并创建了一个`SACSegmentation`对象作为分割器。然后通过设置模型类型以及分割方法类型等参数，最后执行了分割操作。最终输出了分割得到的平面模型系数以及属于该平面的点云索引。
评论 7
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