【1】ExtractIndices滤波器
基于某一个分割算法提取点云的子集.
思路: ExtractIndices通过分割算法提取部分点云数据子集的下标索引,代码过程步骤:
(1) 使用之前的体素栅格下采样方法进行下采样; (2) SAC平面参数模型提取符合该几何模型的点云数据子集,再利用分割算法进行提取符合几何平面的点云数据子集; (3) 利用negative变量可以提取相反的点云集剩余点云; (4) 利用剩余点云作为待处理的点云,返回步骤2,进入下一轮循环,直到满足终止条件
【2】实例
#include "pch.h"
#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h> //随机参数估计方法头文件
#include <pcl/sample_consensus/model_types.h> //模型定义头文件
#include <pcl/segmentation/sac_segmentation.h> //基于采样一致性分割的类的头文件
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/extract_indices.h>
int
main444(int argc, char** argv)//sensor_msgsros系统
{
//sensor_msgs::PointCloud2::Ptr cloud_blob(new sensor_msgs::PointCloud2), cloud_filtered_blob(new sensor_msgs::PointCloud2);
//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>), cloud_p(new pcl::PointCloud<pcl::PointXYZ>), cloud_f(new pcl::PointCloud<pcl::PointXYZ>);
//建立四个点云
//二进制格式
pcl::PCLPointCloud2::Ptr cloud_blob(new pcl::PCLPointCloud2);
pcl::PCLPointCloud2::Ptr cloud_filtered_blob(new pcl::PCLPointCloud2);
//ASCII格式
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>), cloud_p(new pcl::PointCloud<pcl::PointXYZ>), cloud_f(new pcl::PointCloud<pcl::PointXYZ>);
// 填入点云数据
pcl::PCDReader reader;
reader.read("table_scene_lms400.pcd", *cloud_blob);
std::cerr << "PointCloud before filtering: " << cloud_blob->width * cloud_blob->height << " data points." << std::endl;
// 创建滤波器对象:使用叶大小为1cm的下采样
pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
sor.setInputCloud(cloud_blob);//载入点云
sor.setLeafSize(0.01f, 0.01f, 0.01f);//体素大大小为1cm
sor.filter(*cloud_filtered_blob);//体素重心滤波
// 转化为模板点云
//pcl::fromROSMsg(*cloud_filtered_blob, *cloud_filtered);
//二进制格式转化为ASCII格式
pcl::fromPCLPointCloud2(*cloud_filtered_blob, *cloud_filtered);
std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height << " data points." << std::endl;
// 将下采样后的数据存入磁盘
pcl::PCDWriter writer;
writer.write<pcl::PointXYZ>("table_scene_lms400_downsampled.pcd", *cloud_filtered, false);
//创建分割时所需要的模型系数对象coefficients
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients());
//创建存储内点的点索引对象inliers
pcl::PointIndices::Ptr inliers(new pcl::PointIndices());
// 创建分割对象
pcl::SACSegmentation<pcl::PointXYZ> seg;
// 可选
seg.setOptimizeCoefficients(true);//设置对估计的模型参数进行优化处理
//必须配置,设置分割的模型类型、所用的随机参数估计方法、距离阈值、输入点云
// 必选
seg.setModelType(pcl::SACMODEL_PLANE);//设置分割模型类别
seg.setMethodType(pcl::SAC_RANSAC);//设置参数估计的方法
seg.setMaxIterations(1000);//设置最大迭代次数
seg.setDistanceThreshold(0.01);//设置距离阈值
// 创建滤波器对象
pcl::ExtractIndices<pcl::PointXYZ> extract;
//为了处理点云中包含多个模型,在一个循环中执行该过程,
//并在每次模型被提取后,我们保存剩余的点,进行迭代;
//模型内点通过分割过程获取;
int i = 0, nr_points = (int)cloud_filtered->points.size();
while (cloud_filtered->points.size() > 0.3 * nr_points)// 当还有30%原始点云数据时
{
// 从余下的点云中分割最大平面组成部分
seg.setInputCloud(cloud_filtered);//载入待处理的点云
seg.segment(*inliers, *coefficients);//分割操作
if (inliers->indices.size() == 0)
{
std::cerr << "Could not estimate a planar model for the given dataset." << std::endl;
break;
}
// 分离内层
extract.setInputCloud(cloud_filtered);// 载入点云
extract.setIndices(inliers);// 设置分割后的内点为需要提取的点集
extract.setNegative(false);// 设置提取内点
extract.filter(*cloud_p);// 开始分割
std::cerr << "PointCloud representing the planar component: " << cloud_p->width * cloud_p->height << " data points." << std::endl;
std::stringstream ss;
ss << "table_scene_lms400_plane_" << i << ".pcd";
writer.write<pcl::PointXYZ>(ss.str(), *cloud_p, false);
// 创建滤波器对象
extract.setNegative(true);// 设置提取外点
extract.filter(*cloud_f);// 开始分割
cloud_filtered.swap(cloud_f);
i++;
}
return (0);
}