### 使用PCL库将
双目图像转换为
点云PCD文件并显示
#### 准备工作
为了完成此任务，需安装配置好C++开发环境，并确保已成功安装OpenCV和PCL库。此外，还需准备一组匹配良好的左视图与右视图作为输入。
####
获取立体校准参数
在处理之前，必须先
获取相机的内参矩阵以及两摄像头之间的相对位置关系（即外参）。这些信息通常通过预先执行过的立体标定过程获得[^3]。
#### 加载图像
利用OpenCV读取存储于磁盘上的两张图片：
```cpp
cv::Mat imgLeft = cv::imread("path_to_left_image");
cv::Mat imgRight = cv::imread("path_to_right_image");
```
#### 计算视差图
调用StereoBM或StereoSGBM类来计算左右图像间的像素差异，形成视差图：
```cpp
cv::Ptr<cv::StereoBM> sbm = cv:: StereoBM::create(numDisparities, blockSize);
sbm->compute(imgGrayL, imgGrayR, disparity); // 假设imgGrayL 和 imgGrayR 是灰度版本
```
此处`numDisparities`代表最大可能存在的视差值数量；而`blockSize`则定义了用于比较的小窗口大小[^2]。
#### 构建三维坐标系下的点集合
借助上述所得视差图及事先求得的内外参，可以构建起对应的实际空间坐标的点集。这一步骤涉及到三角测量原理的应用，在PCL中有专门为此设计的功能接口——`reprojectImageTo3D()`:
```cpp
cv::Mat Q; // 这里应该填入由stereoRectify()返回的结果之一
cv::reprojectImageTo3D(disparity, points_3d, Q);
```
其中Q是一个四行五列的投影矩阵，它包含了重建所需的全部几何变换信息[^
1]。
#### 创建Point Cloud Data (PCD) 文件
最后一步就是把上一步产生的浮点型三维数组转存至标准格式的pcd文档当中去。这里给出一段简单的代码片段说明具体做法：
```cpp
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
for(int i=0;i<points_3d
.rows;++i){
for(int j=0;j<points_3d
.cols;++j){
float data[3];
memcpy(data, points_3d
.ptr<float>(i)+j*3,sizeof(float)*3);
if(!isnan(data[2])){ // 排除无效点
cloud->push_back(pcl::PointXYZ(data[0],data[
1],data[2]));
}
}
}
// Save the container to a file
.
pcl::io::savePCDFileASCII ("test_pcd
.pcd", *cloud);
std::cerr << "Saved " << cloud->size () << " data points to test_pcd
.pcd
."<< std::endl;
```
以上操作完成后即可得到保存有
点云数据的目标文件[^4]。
#### 显示
点云
要查看生成好的
点云效果，可采用如下
方式加载并渲染之：
```cpp
#include <pcl/visualization/cloud_viewer
.h>
int main(){
...
pcl::visualization::CloudViewer viewer("Simple Cloud Viewer");
while (!viewer
.wasStopped ())
{
viewer
.showCloud(cloud);
}
return 0;
}
```
这段程序会启动一个图形界面让用户直观感受最终成果。
超级会员免费看
订阅专栏 解锁全文
扫一扫
385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
