点云配准 8-pcd与ply文件转换以及数据保存格式:ascll 和二进制转换,txt->pcd

1、ply转换为pcd

改变代码保存路径即可

#include <iostream>              //标准C++库中的输入输出的头文件
#include <pcl/io/pcd_io.h>         //PCD读写类相关的头文件
#include <pcl/io/ply_io.h>         //PCD读写类相关的头文件
#include <pcl/point_types.h>      //PCL中支持的点类型的头文件

int
main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointXYZ> *cloud(new pcl::PointCloud<pcl::PointXYZ>);

    if (pcl::io::loadPLYFile<pcl::PointXYZ>("E:/COLMAP/Project1/sparse.ply", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file1 \n");
        return (-1);
    }

    //把PointCloud对象数据存储在 test_pcd.pcd文件中
    pcl::io::savePCDFileASCII("E:/COLMAP/Project1/test_pcd.pcd", *cloud);

    //打印输出存储的点云数据
    std::cerr << "Saved " << cloud->points.size() << " data points to test_pcd.pcd." << std::endl;
    return (0);
}

2、pcd转换为ply

#include <iostream>              //标准C++库中的输入输出的头文件
#include <pcl/io/pcd_io.h>         //PCD读写类相关的头文件
#include <pcl/io/ply_io.h>         //PCD读写类相关的头文件
#include <pcl/point_types.h>      //PCL中支持的点类型的头文件

int
main(int argc, char** argv)
{

    pcl::PointCloud<pcl::PointXYZ> *cloud(new pcl::PointCloud<pcl::PointXYZ>);

    if (pcl::io::loadPCDFile<pcl::PointXYZ>("E:/COLMAP/Project1/test_pcd.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file1 \n");
        return (-1);
    }

    //把PointCloud对象数据存储在 test_pcd.pcd文件中
    pcl::io::savePLYFileASCII("E:/COLMAP/Project1/my_test_pcd.ply", *cloud);

    //打印输出存储的点云数据
    std::cerr << "Saved " << cloud->points.size() << " data points to test_pcd.ply." << std::endl;
    return (0);
}

3、ASCII和二进制之间的转换

区别:ASCII可以通过记事本打开,显示大家通俗易懂的数字

           二进制:计算机能够直接识别,读取速度快,但是用记事本打开乱码

只需要修改保存文件对应的代码即可:

pcl::io::savePLYFileASCII() //ascill
pcl::io::savePLYFile() //二进制

PCD将上面的ply改为pcd

4、 txt->pcd

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
using namespace std;

pcl::PointCloud<pcl::PointXYZ>::Ptr CloudTxt(string Filename)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr basic_cloud_ptr(new pcl::PointCloud<pcl::PointXYZ>);
	ifstream Points_in(Filename);
	pcl::PointXYZ tmpoint;
	if (Points_in.is_open())
	{
		while (!Points_in.eof())   //尚未到达文件结尾
		{
			Points_in >> tmpoint.x >> tmpoint.y >> tmpoint.z;
			basic_cloud_ptr->points.push_back(tmpoint);
		}
	}
	basic_cloud_ptr->width = (int)basic_cloud_ptr->points.size();
	basic_cloud_ptr->height = 1;

	return basic_cloud_ptr;
}

int main()
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr basic_cloud_ptr(new pcl::PointCloud<pcl::PointXYZ>);
	basic_cloud_ptr = CloudTxt("E:/LX/三维重建/北川地震灾害/20211016_C4L_03.txt");
	pcl::io::savePCDFile("E:/COLMAP/Project1/test_pcd.pcd", *basic_cloud_ptr);
	system("pause");
	return 0;
}

4.1 cloudcompare转换(txt-pcd)

由于第4点代码转换时间太久,可直接利用cloudcompare转换为pcd或者ply数据格式,直接导入,在另存为即可

点云配准是三维数据处理的一项重要技术,可以将多个点云数据集对齐成为一个整体。在点云配准中,采用SAC-IA(Sample Consensus ICP with Applicable)算法进行配准,其优劣如下: 优点: 1. 高效性:SAC-IA算法通过使用采样一致性(Sample Consensus)策略来估计初始变换矩阵,并在此基础上进行迭代优化,因此具有较高的计算效率。 2. 鲁棒性:SAC-IA算法利用RANSAC(Random Sample Consensus)方法来鲁棒地估计初始变换矩阵,并通过迭代的方式最小化配准误差。由于采样和迭代操作的存在,SAC-IA对于局外点的干扰有一定的容忍性,对于噪声较多或局外点较多的情况下,仍能得到较好的配准结果。 3. 可适用性:SAC-IA算法可以用于各种不同类型的点云配准问题,无论是刚性配准还是非刚性配准,都能得到较好的效果。 缺点: 1. 参数选择的依赖性:SAC-IA算法中存在一些参数需要用户进行预设,例如采样率、迭代次数等。这些参数的选择对于配准结果的影响较大,但对于不同的点云数据集可能需要进行不同的设置,需要经验和调试来选择合适的参数。 2. 局部最优解问题:由于SAC-IA算法采用的是局部优化的方式,可能会陷入局部最优解而无法达到全局最优。这意味着在某些情况下,SAC-IA可能无法得到最佳的配准结果。 综上所述,SAC-IA算法具有高效性、鲁棒性和可适用性等优点,但也存在参数选择的依赖性和局部最优解问题。根据实际应用需求和数据特点,选择适合的算法进行点云配准是十分重要的。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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