PCL点云库学习：点云的欧式聚类

最新推荐文章于 2024-09-15 13:14:50 发布
最新推荐文章于 2024-09-15 13:14:50 发布
阅读量1k 收藏 4
点赞数
分类专栏： pcl
原文链接：https://blog.csdn.net/qq_40335930/article/details/91982640
版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40335930/article/details/91982640
初学者笔记：
点云欧式聚类算法流程
（1）点云读入；
（2）体素化下采样（方便处理）；
（3）去离散点；PCL点云库学习笔记（3）：点云的欧式聚类
（4）RANSAC算法检测平面，并剔除平面点云；
（5）欧式聚类；
（6）结果的输出和可视化；

点云数据链接：
链接：https://pan.baidu.com/s/1VTVxn3BntbAr9tGHv6L-HA
提取码：u81q

代码：

#include <vtkAutoInit.h>
VTK_MODULE_INIT(vtkRenderingOpenGL)
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/ModelCoefficients.h>
#include <pcl/filters/extract_indices.h>
#include<ctime>
#include<cstdlib>
#include <windows.h>

using namespace pcl;
using namespace std;
typedef PointXYZ PoinT;

int *rand_rgb(){//随机产生颜色
    int *rgb = new int[3];    
    rgb[0] = rand() % 255;
    rgb[1] = rand() % 255;
    rgb[2] = rand() % 255;
    return rgb;
}
int main(){
    //点云的读取*********************************************************
    PointCloud<PoinT>::Ptr cloud(new PointCloud<PoinT>);
    if (io::loadPCDFile("C:\\Users\\Administrator\\Desktop\\desk.pcd", *cloud) == -1)
    {
        PCL_ERROR("read false");
        return 0;
    }
    //体素化下采样******************************************************
    VoxelGrid<PoinT> vox;
    PointCloud<PoinT>::Ptr vox_cloud(new PointCloud<PoinT>);
    vox.setInputCloud(cloud);
    vox.setLeafSize(0.01, 0.01, 0.01);
    vox.filter(*vox_cloud);
    //去除噪声点********************************************************
    StatisticalOutlierRemoval<PoinT>sor;
    PointCloud<PoinT>::Ptr sor_cloud(new PointCloud<PoinT>);
    sor.setMeanK(10);
    sor.setInputCloud(vox_cloud);
    sor.setStddevMulThresh(0.2);
    sor.filter(*sor_cloud);
    //平面分割(RANSAC)********************************************************
    SACSegmentation<PoinT> sac;
    PointIndices::Ptr inliner(new PointIndices);
    ModelCoefficients::Ptr coefficients(new ModelCoefficients);
    PointCloud<PoinT>::Ptr sac_cloud(new PointCloud<PoinT>);
    sac.setInputCloud(sor_cloud);
    sac.setMethodType(SAC_RANSAC);
    sac.setModelType(SACMODEL_PLANE);
    sac.setMaxIterations(100);
    sac.setDistanceThreshold(0.02);
    //提取平面(展示并输出)******************************************************
    PointCloud<PoinT>::Ptr ext_cloud(new PointCloud<PoinT>);
    PointCloud<PoinT>::Ptr ext_cloud_rest(new PointCloud<PoinT>);
    visualization::PCLVisualizer::Ptr viewer(new visualization::PCLVisualizer("3d view"));

    int i = sor_cloud->size(), j = 0;
    ExtractIndices<PoinT>ext;
    srand((unsigned)time(NULL));//刷新时间的种子节点需要放在循环体外面
    while (sor_cloud->size()>i*0.3)//当提取的点数小于总数的3/10时，跳出循环
    {
        ext.setInputCloud(sor_cloud);
        sac.segment(*inliner, *coefficients);
        if (inliner->indices.size()==0)
        {
            break;
        }
        //按照索引提取点云*************
        ext.setIndices(inliner);
        ext.setNegative(false);
        ext.filter(*ext_cloud);
        ext.setNegative(true);
        ext.filter(*ext_cloud_rest);
        //*****************************
        *sor_cloud = *ext_cloud_rest;
        stringstream ss;
        ss <<"C:\\Users\\Administrator\\Desktop\\"<<"ext_plane_clouds" << j << ".pcd";//路径加文件名和后缀
        io::savePCDFileASCII(ss.str(), *ext_cloud);//提取的平面点云写出
        int *rgb = rand_rgb();//随机生成0-255的颜色值
        visualization::PointCloudColorHandlerCustom<PoinT>rgb1(ext_cloud,rgb[0],rgb[1],rgb[2]);//提取的平面不同彩色展示
        delete[]rgb;
        viewer->addPointCloud(ext_cloud, rgb1,ss.str());
        j++;
    }
    viewer->spinOnce(1000);
    //欧式聚类*******************************************************
    vector<PointIndices>ece_inlier;
    search::KdTree<PoinT>::Ptr tree(new search::KdTree<PoinT>);
    EuclideanClusterExtraction<PoinT> ece;
    ece.setInputCloud(sor_cloud);
    ece.setClusterTolerance(0.02);
    ece.setMinClusterSize(100);
    ece.setMaxClusterSize(20000);
    ece.setSearchMethod(tree);
    ece.extract(ece_inlier);
    //聚类结果展示***************************************************
    ext.setInputCloud(sor_cloud);
    visualization::PCLVisualizer::Ptr viewer2(new visualization::PCLVisualizer("Result of EuclideanCluster"));
    srand((unsigned)time(NULL));
    for (int i = 0; i < ece_inlier.size();i++)
    {
        PointCloud<PoinT>::Ptr cloud_copy(new PointCloud<PoinT>);
        vector<int> ece_inlier_ext = ece_inlier[i].indices;
        copyPointCloud(*sor_cloud, ece_inlier_ext, *cloud_copy);//按照索引提取点云数据
        stringstream ss1;
        ss1 <<"C:\\Users\\Administrator\\Desktop\\"<< "EuclideanCluster_clouds" << j<<".pcd";
        io::savePCDFileASCII(ss1.str(), *ext_cloud);//欧式聚类结果写出
        int *rgb1 = rand_rgb();
        visualization::PointCloudColorHandlerCustom<PoinT>rgb2(ext_cloud, rgb1[0], rgb1[1], rgb1[2]);
        delete[]rgb1;
        viewer2->addPointCloud(cloud_copy, rgb2,ss1.str());
        j++;
    }
    viewer2->spin();
    return 0;
}

可视化结果展示：
提取的平面（颜色随机）：
欧式聚类的结果（颜色随机）：

写出的点云数据（平面2个，欧式聚类结果5个）：

遇到过error C4996: 'pcl::SAC_SAMPLE_SIZE’编译错误的问题
解决方法参考链接：https://blog.csdn.net/lizhengze1117/article/details/86565100


#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/ModelCoefficients.h>
#include <pcl/filters/extract_indices.h>
#include<ctime>
#include<cstdlib>
#include <windows.h>

using namespace pcl;
using namespace std;
typedef PointXYZ PoinT;

int main(){
    //点云的读取*********************************************************
    PointCloud<PoinT>::Ptr cloud(new PointCloud<PoinT>);
    if (io::loadPCDFile("C:\\Users\\admin\\Desktop\\保留的结果.pcd", *cloud) == -1)
    {
        PCL_ERROR("read false");
        return 0;
    }
    //欧式聚类*******************************************************
    vector<PointIndices>ece_inlier;
    search::KdTree<PoinT>::Ptr tree(new search::KdTree<PoinT>);
    EuclideanClusterExtraction<PoinT> ece;
    ece.setInputCloud(cloud);
    ece.setClusterTolerance(1);
    ece.setMinClusterSize(100);
    ece.setMaxClusterSize(20000000000000);
    ece.setSearchMethod(tree);
    ece.extract(ece_inlier);
    //聚类结果展示***************************************************
    PointCloud<PoinT>::Ptr ext_cloud(new PointCloud<PoinT>);
    ExtractIndices<PoinT>ext;
    ext.setInputCloud(cloud);
    visualization::PCLVisualizer::Ptr viewer2(new visualization::PCLVisualizer("Result of EuclideanCluster"));
    srand((unsigned)time(NULL));
    int j = 0;
    vector<unsigned char>color;
    for (int i_segment = 0; i_segment < ece_inlier.size(); i_segment++)
    {
        color.push_back(static_cast<unsigned char>(rand() % 256));
        color.push_back(static_cast<unsigned char>(rand() % 256));
        color.push_back(static_cast<unsigned char>(rand() % 256));
    }
    int color_index = 0;
    PointCloud<PointXYZRGB>::Ptr color_point(new PointCloud<PointXYZRGB>);
    for (int i_seg = 0; i_seg < ece_inlier.size(); i_seg++)
    {
        int clusters_size = ece_inlier[i_seg].indices.size();
        for (int i_idx = 0; i_idx < clusters_size; i_idx++)
        {
            PointXYZRGB point;
            point.x = cloud->points[ece_inlier[i_seg].indices[i_idx]].x;
            point.y = cloud->points[ece_inlier[i_seg].indices[i_idx]].y;
            point.z = cloud->points[ece_inlier[i_seg].indices[i_idx]].z;
            point.r = color[3 * color_index];
            point.g = color[3 * color_index + 1];
            point.b = color[3 * color_index + 2];
            color_point->push_back(point);
        }
        color_index++;
    }
    viewer2->addPointCloud(color_point);
    viewer2->spin();
    return 0;
}

————————————————
版权声明：本文为CSDN博主「起个名字费劲死了」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40335930/article/details/91982640

这是啥？
关注
专栏目录
点云欧式聚类（基于平面提取基础上进行）
qq_48694523的博客
12-04 547
欧式聚类算法（Euclidean Clustering）是一种将点云数据分割成不同聚类（簇）的算法。它是点云分割中的一种常用方法，旨在将距离比较近的点分为同一簇，从而识别出不同的物体或结构。这个算法主要适用于包含较小噪音和具有一定距离差异的点云数据。
PCL 点云组件聚类
dayuhaitang1的博客
08-27 872
PCL 点云组件聚类
欧式聚类分割_PCL点云库欧式聚类分割_点云PCL_点云库_
09-29
点云分割-PCL点云库欧式聚类分割-基于欧式距离的分割
PCL教程-点云分割之欧式聚类分割
DayDayUp
09-09 1万+
原文链接：Euclidean Cluster Extraction 在本篇教程中，我们将学习使用pcl::EuclideanClusterExtraction类提取欧几里德聚类。为了使本篇教程更加精简，之前教程中提到的知识点将不再重复说明，比如平面模型分割，可参考之前的博文：PCL教程-点云分割之平面模型分割 数据集下载链接：table_scene_lms400.pcd 理论基础 聚类方法，通过特征空间确定点与点之间的亲疏程度。 一个聚类方法需要将一个无序的点云模型P分割成更小的部分，...
PCL实现连通域点云聚类
最新发布
weixin_46084732的博客
09-15 391
PCL实现连通域点云聚类
PCL源码剖析 -- 欧式聚类
Darchan的博客
04-12 2205
PCL源码剖析 -- 欧式聚类
基于 PCL 实现三维点云欧式聚类
weixin_45205097的博客
06-06 829
介绍了欧式聚类的基本原理，给出了 PCL 中的欧式聚类用例和参数解析。
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 58万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年11月13日。
PCL点云分割算法：条件欧式聚类
QsPascal的博客
09-21 427
条件欧式聚类是一种基于距离度量的点云分割算法，它通过计算点与其相邻点之间的距离来确定它们是否属于同一个聚类。点云分割是计算机视觉和机器人领域中的重要任务之一，它的目标是将点云数据集划分为具有相似特征的子集。在本文中，我们将介绍一种名为条件欧式聚类的点云分割算法，并提供相应的源代码来实现该算法。对于每个聚类，我们可以进一步对其进行处理或分析。在上述代码中，我们仅输出了每个聚类的大小，你可以根据实际需求对聚类结果进行更复杂的处理。接下来，我们设置了条件聚类的参数，包括聚类容差、最小聚类大小和最大聚类大小。
PCL点云库-欧式聚类分割-麦粒
03-13
PCL点云库——欧式聚类分割https://blog.csdn.net/fei_12138/article/details/109718785中的麦粒数据
PCL点云K-Means聚类
bug_api163的博客
09-26 323
在本文中，我们将使用PCL（点云库）和C++语言实现PCL点云K-Means聚类算法，并提供相应的源代码。在本文中，我们将使用PCL（点云库）和C++语言实现PCL点云K-Means聚类算法，并提供相应的源代码。然后，我们创建了一个Kd树来加速点云的搜索。通过使用PCL库和上述代码，您可以对点云数据进行聚类分析，并获得有关点云中不同聚类的信息PCL点云K-Means聚类。PCL是一个开源的点云处理库，提供了许多用于点云处理的算法和工具。PCL是一个开源的点云处理库，提供了许多用于点云处理的算法和工具。
PCL 欧式聚类（Segmentation_EuclideanClusterExtraction）
xhm01291212的博客
09-11 595
2）更换初始点P的位置（红色簇已聚类，被剔除，因此只能在其他点云中得到初始点P）。假设更换后的初始点P在蓝色簇中，再进行1）的步骤，摸出蓝色簇。（2）对P进行邻近搜索，获取其在用户设定的距离阈值内的所有点云点。1）我们首先通过距离阈值，不停摸完附近点云，直到摸无可摸，得到红色簇的点云簇。（5）重新设置未聚类的点云初始点P，再进行如上步骤，直到聚类得到所有点云。（4）不停迭代（2）（3），得到一簇符合距离阈值的点。（3）一簇点包含的最大点数（大于这个点数不当作点云簇）（4）得到的结果为分簇之后的点云索引。
pcl点云聚类方法
qq_35718950的博客
12-05 2106
<1>欧式聚类分割方法 //为提取点云时使用的搜素对象利用输入点云cloud_filtered创建Kd树对象tree。 pcl::search::KdTree::Ptr tree (new pcl::search::KdTree); tree->setInputCloud (cloud_filtered);//创建点云索引向量，用于存储实际的点云信息 首先创建一个Kd树对象作...
PCL点云库——欧式聚类分割
fei_12138的博客
11-16 6318
PCL欧式聚类分割 　　pcl::EuclideanClusterExtraction是基于欧式距离提取集群的方法，仅依据距离，将小于距离阈值的点云作为一个集群。 　　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； 　　(2) 将距离小于阈值r的点p12、p13、p14…放在类Q里； 　　(3) 在 Q\p10 里找到一点p12，重复1； 　　(4) 在 Q\p10、p12 找到一点，重复1，找到p22、p23、p24…全部放进Q里；
pcl欧式聚类
To be a better man
02-15 1473
首先读取pcd文件，然后复制多个点云创造多个目标点云，之后设置阈值，查看分类效果。 #include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <iostream> #include <pcl/filters/extract_indices.h> #include <pcl/segmentation/extract_
PCL 欧式聚类
weixin_39354845的博客
04-13 523
物以类聚，人以穷分，大概就是这个意思。
PCL-点云欧式聚类分割
wfengzi5的博客
07-21 955
聚类方法需要将无组织的点云模型分成更小的部分，从而显著减少点云的整体处理时间。
PCL 欧式聚类（EC）
dayuhaitang1的博客
11-14 491
PCL 欧式聚类（EC）
pcl点云库欧式聚类分割
08-23
PCL点云库中的欧式聚类分割是一种通过计算点云中点之间的欧氏距离来将点云分割成不同的聚类的方法。在这种方法中，首先对点云进行预处理，包括去除离群点和平面模型分割。然后，使用pcl::EuclideanClusterExtraction类对点云进行欧式聚类分割。该类通过设置聚类的最小和最大尺寸，以及聚类的距离阈值来提取聚类。 在使用欧式聚类分割的过程中，首先对点云进行预处理，包括去除离群点和平面模型分割。然后，根据设定的距离阈值，将点云中的点分成不同的聚类。聚类的最小和最大尺寸可以用来控制聚类的大小。最后，可以通过获取每个聚类中的点的数量，进一步分析和处理聚类。 通过使用PCL点云库中的欧式聚类分割方法，可以对点云数据进行有效的分割和聚类，从而实现对点云数据的进一步分析和应用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [PCL点云库-欧式聚类分割-麦粒](https://download.csdn.net/download/fei_12138/87570560)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [PCL教程-点云分割之欧式聚类分割](https://blog.csdn.net/luolaihua2018/article/details/120184539)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
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