点云处理相关程序（1）

最新推荐文章于 2022-11-11 12:31:02 发布
最新推荐文章于 2022-11-11 12:31:02 发布
阅读量437 收藏 6
点赞数 1
文章标签： ubuntu c++ 自动驾驶
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_46301270/article/details/120675951
版权

点云处理相关程序（1）

本文所运行的程序均在Ubuntu编译通过，源码分为CMakeLists以及各功能源码
需要读者事先安装好pcl点云库
Ubuntu环境下，将所有源码放于同一目录，运行命令即可：

mkdir build
cd build
cmake ..
make
./aaa bbb.pcd

其中、aaa表示可执行程序，bbb表示需要处理的pcd点云数据

直接上代码。

目录

（1）CMakeLists.txt

cmake_minimum_required(VERSION 2.8)

set(CMAKE_BUILD_TYPE Release)
set(CMAKE_CXX_FLAGS "-std=c++11 -O2")
find_package(PCL REQUIRED)
include_directories(${PCL_INCLUDE_DIRS})
add_definitions(${PCL_DEFINITIONS})

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

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

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

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

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

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

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

add_executable(section1 section1.cpp)
target_link_libraries(section1 ${PCL_LIBRARIES})

add_executable(section2 section2.cpp)
target_link_libraries(section2 ${PCL_LIBRARIES})

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

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

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

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

（2）点云可视化viewpcl.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
using namespace std;
float max_x;
float min_x;
float max_y;
float min_y;
float max_z;
float min_z;

int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 	
    std::cout<<"open succeed"<<std::endl;
    //输出点云三个维度最大值/最小值
    max_x = cloud_in->points[0].x;
    min_x = cloud_in->points[0].x;

    max_y = cloud_in->points[0].y;
    min_y = cloud_in->points[0].y;

    max_z = cloud_in->points[0].z;
    min_z = cloud_in->points[0].z;
	
    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		if(cloud_in->points[i].x >= max_x)
		{
			max_x = cloud_in->points[i].x;
		}
		if(cloud_in->points[i].x <= min_x)
		{
			min_x = cloud_in->points[i].x;
		}

		if(cloud_in->points[i].y >= max_y)
		{
			max_y = cloud_in->points[i].y;
		}
		if(cloud_in->points[i].y <= min_y)
		{
			min_y = cloud_in->points[i].y;
		}

		if(cloud_in->points[i].z >= max_z)
		{
			max_z = cloud_in->points[i].z;
		}
		if(cloud_in->points[i].z <= min_z)
		{
			min_z = cloud_in->points[i].z;
		}
    }
    std::cout<<"Finished"<<std::endl;
    std::cout<<"pointx:("<<min_x<<","<<max_x<<")"<<std::endl;
    std::cout<<"pointy:("<<min_y<<","<<max_y<<")"<<std::endl;
    std::cout<<"pointz:("<<min_z<<","<<max_z<<")"<<std::endl;

    int v1(0);
    viewer->createViewPort(0,0,1,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_in,255,255,255);//统一显示黑色
    //pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> rgb(cloud_in, "z");//z方向渐变色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color,"cloud_in",v1);//注意此处的显示点云名称
    viewer->addCoordinateSystem(1);
    viewer->spin();
    return 0;

（3）直通滤波passthrough.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/passthrough.h>//直通滤波器文件
#include <pcl/visualization/pcl_visualizer.h>
 
int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    cloud_filtered->width = cloud_in->width;
    cloud_filtered->height = cloud_in->height;
    cloud_filtered->is_dense = false;
    cloud_filtered->resize(cloud_filtered->height*cloud_filtered->width);
 
    //直通滤波
    pcl::PassThrough<pcl::PointXYZ> pass; //实例化直通滤波器
    pass.setInputCloud(cloud_in); //设置输入点云
    pass.setFilterFieldName("z");//设置滤波的field
    pass.setFilterLimits(1.7,2.5);//上述field的滤波范围
    pass.setFilterLimitsNegative(false);//设置要保存哪一部分点云，默认为false（field范围内部的点云）
    pass.filter(*cloud_filtered);//输出点云到*cloud_filtered

    //save cloud_filtered.pcd
    pcl::io::savePCDFileASCII("./cloud_filtered.pcd",*cloud_filtered);
    std::cout<<"save succeed"<<std::endl;
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 
 
    int v1(0);
    viewer->createViewPort(0,0,0.5,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_filtered,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered,single_color,"cloud_filtered",v1);//注意此处的显示点云名称
 
    int v2(0);
    viewer->createViewPort(0.5,0,1,1,v2);
    viewer->setBackgroundColor(0,0,0,v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud_in,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color1,"cloud_in",v2);//PCL_Visualizer类大多数函数会有一个view_port,这个一定要加上，否则会出现点云不按照自己的目的显示的问题
 
    viewer->addCoordinateSystem(1);
     viewer->spin();
    return 0;
}

（4）体素滤波voxel.cpp

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>

int main (int argc, char** argv)
{
  pcl::PCLPointCloud2::Ptr cloud (new pcl::PCLPointCloud2 ());
  pcl::PCLPointCloud2::Ptr cloud_filtered (new pcl::PCLPointCloud2 ());

  // Fill in the cloud data
  pcl::PCDReader reader;
  // Replace the path below with the path where you saved your file
  //reader.read ("./result.pcd", *cloud); // Remember to download the file first!
  reader.read (argv[1], *cloud); // Remember to download the file first!
  std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height 
       << " data points (" << pcl::getFieldsList (*cloud) << ").";

  // Create the filtering object
  pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
  sor.setInputCloud (cloud);
  sor.setLeafSize (0.03f, 0.03f, 0.03f);
  sor.filter (*cloud_filtered);

  std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height 
       << " data points (" << pcl::getFieldsList (*cloud_filtered) << ").";

  pcl::PCDWriter writer;
  writer.write ("result_voxel.pcd", *cloud_filtered, 
         Eigen::Vector4f::Zero (), Eigen::Quaternionf::Identity (), false);

  return (0);
}

（5）统计滤波statistical.cpp

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>	//统计滤波器头文件

//统计滤波器
int main(int argc, char **argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
 
	// 定义读取对象
	pcl::PCDReader reader;
	// 读取点云文件
	reader.read<pcl::PointXYZ>(argv[1], *cloud);
 
	std::cerr << "Cloud before filtering: " << std::endl;
	std::cerr << *cloud << std::endl;
 
	// 创建滤波器，对每个点分析的临近点的个数设置为50 ，并将标准差的倍数设置为1  这意味着如果一
	//个点的距离超出了平均距离一个标准差以上，则该点被标记为离群点，并将它移除，存储起来
	pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;  //创建滤波器对象
	sor.setInputCloud(cloud);                           //设置待滤波的点云
	sor.setMeanK(30);                               	//设置在进行统计时考虑查询点临近点数
	sor.setStddevMulThresh(1.0);                      	//设置判断是否为离群点的阀值
	sor.filter(*cloud_filtered);                    	//存储
  
	std::cerr << "Cloud after filtering: " << std::endl;
	std::cerr << *cloud_filtered << std::endl;
	
	//保存滤波后的点云
	pcl::PCDWriter writer;
	writer.write<pcl::PointXYZ>("after_filter.pcd", *cloud_filtered, false);
 
	//sor.setNegative(true);
	//sor.filter(*cloud_filtered);
	//writer.write<pcl::PointXYZ>("1_outliers.pcd", *cloud_filtered, false);
 
	return (0);
}

（6）半径滤波outrem.cpp

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/radius_outlier_removal.h>	//统计滤波器头文件

//统计滤波器
int main(int argc, char **argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
 
	// 定义读取对象
	pcl::PCDReader reader;
	// 读取点云文件
	reader.read<pcl::PointXYZ>(argv[1], *cloud);
 
	std::cerr << "Cloud before filtering: " << std::endl;
	std::cerr << *cloud << std::endl;

     pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
     outrem.setInputCloud(cloud);
	outrem.setRadiusSearch(0.04);//设置在0.04半径的范围内找邻近点
	outrem.setMinNeighborsInRadius(8);//设置查询点的邻近点集数小于8的删除
	outrem.filter(*cloud_filtered);

	
	//保存滤波后的点云
	pcl::PCDWriter writer;
	writer.write<pcl::PointXYZ>("outrem_filter.pcd", *cloud_filtered, false);
 
	//sor.setNegative(true);
	//sor.filter(*cloud_filtered);
	//writer.write<pcl::PointXYZ>("1_outliers.pcd", *cloud_filtered, false);
 
	return (0);
}

（7）手动点云切片与拼接section1.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/passthrough.h>//直通滤波器文件
#include <pcl/visualization/pcl_visualizer.h>
 
float max_x;
float min_x;
float max_y;
float min_y;
float max_z;
float min_z;
float step;
int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    cloud_filtered->width = cloud_in->width;
    cloud_filtered->height = cloud_in->height;
    cloud_filtered->is_dense = false;
    cloud_filtered->resize(cloud_filtered->height*cloud_filtered->width);
 
    //输出点云三个维度最大值/最小值
    max_x = cloud_in->points[0].x;
    min_x = cloud_in->points[0].x;

    max_y = cloud_in->points[0].y;
    min_y = cloud_in->points[0].y;

    max_z = cloud_in->points[0].z;
    min_z = cloud_in->points[0].z;
	
    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		if(cloud_in->points[i].x >= max_x)
		{
			max_x = cloud_in->points[i].x;
		}
		if(cloud_in->points[i].x <= min_x)
		{
			min_x = cloud_in->points[i].x;
		}

		if(cloud_in->points[i].y >= max_y)
		{
			max_y = cloud_in->points[i].y;
		}
		if(cloud_in->points[i].y <= min_y)
		{
			min_y = cloud_in->points[i].y;
		}

		if(cloud_in->points[i].z >= max_z)
		{
			max_z = cloud_in->points[i].z;
		}
		if(cloud_in->points[i].z <= min_z)
		{
			min_z = cloud_in->points[i].z;
		}
    }
    step = (max_z-min_z)/6;
    //点云切片1
    pcl::PassThrough<pcl::PointXYZ> pass; //实例化直通滤波器
    pass.setInputCloud(cloud_in); //设置输入点云
    pass.setFilterFieldName("z");//设置滤波的field
    pass.setFilterLimits(min_z,min_z+step);//上述field的滤波范围
    pass.setFilterLimitsNegative(false);//设置要保存哪一部分点云，默认为false（field范围内部的点云）
    pass.filter(*cloud_filtered);//输出点云到*cloud_filtered
    
    //点云切片2
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered2(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PassThrough<pcl::PointXYZ> pass2; //实例化直通滤波器
    pass2.setInputCloud(cloud_in); //设置输入点云
    pass2.setFilterFieldName("z");//设置滤波的field
    pass2.setFilterLimits(min_z+step*2,min_z+step*3);//上述field的滤波范围
    pass2.setFilterLimitsNegative(false);
    pass2.filter(*cloud_filtered2);//输出点云到*cloud_filtered2 
    
    //点云切片3

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered3(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PassThrough<pcl::PointXYZ> pass3; //实例化直通滤波器
    pass3.setInputCloud(cloud_in); //设置输入点云
    pass3.setFilterFieldName("z");//设置滤波的field
    pass3.setFilterLimits(min_z+step*4,min_z+step*5);//上述field的滤波范围
    pass3.setFilterLimitsNegative(false);
    pass3.filter(*cloud_filtered3);

    //点云拼接
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    *cloud = (*cloud_filtered) + (*cloud_filtered2);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud1(new pcl::PointCloud<pcl::PointXYZ>);
    *cloud1 = (*cloud) + (*cloud_filtered3);

    //save cloud_filtered.pcd
    pcl::io::savePCDFileASCII("./cloud_filtered.pcd",*cloud1);
    std::cout<<"save succeed"<<std::endl;
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 
 
    int v1(0);
    viewer->createViewPort(0,0,0.5,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud1,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud1,single_color,"cloud1",v1);//注意此处的显示点云名称
 
    int v2(0);
    viewer->createViewPort(0.5,0,1,1,v2);
    viewer->setBackgroundColor(0,0,0,v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud_in,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color1,"cloud_in",v2);//PCL_Visualizer类大多数函数会有一个view_port,这个一定要加上，否则会出现点云不按照自己的目的显示的问题
    viewer->addCoordinateSystem(1);
    viewer->spin();
    return 0;
}

（8）自动点云切片与拼接section2.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/passthrough.h>//直通滤波器文件
#include <pcl/visualization/pcl_visualizer.h>
 
float max_x;
float min_x;
float max_y;
float min_y;
float max_z;
float min_z;
float step;
int n=0,num=16;//num个点云切片

int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    cloud_filtered->width = cloud_in->width;
    cloud_filtered->height = cloud_in->height;
    cloud_filtered->is_dense = false;
    cloud_filtered->resize(cloud_filtered->height*cloud_filtered->width);
 
    //输出点云三个维度最大值/最小值
    max_x = cloud_in->points[0].x;
    min_x = cloud_in->points[0].x;

    max_y = cloud_in->points[0].y;
    min_y = cloud_in->points[0].y;

    max_z = cloud_in->points[0].z;
    min_z = cloud_in->points[0].z;
	
    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		if(cloud_in->points[i].x >= max_x)
		{
			max_x = cloud_in->points[i].x;
		}
		if(cloud_in->points[i].x <= min_x)
		{
			min_x = cloud_in->points[i].x;
		}

		if(cloud_in->points[i].y >= max_y)
		{
			max_y = cloud_in->points[i].y;
		}
		if(cloud_in->points[i].y <= min_y)
		{
			min_y = cloud_in->points[i].y;
		}

		if(cloud_in->points[i].z >= max_z)
		{
			max_z = cloud_in->points[i].z;
		}
		if(cloud_in->points[i].z <= min_z)
		{
			min_z = cloud_in->points[i].z;
		}
    }
	step = (max_z-min_z)/(num*2);
        
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	
	while(num--)
   {
		
	    pcl::PassThrough<pcl::PointXYZ> pass; //实例化直通滤波器
		pass.setInputCloud(cloud_in); //设置输入点云
	     pass.setFilterFieldName("z");//设置滤波的field
		pass.setFilterLimits(min_z+n*step,min_z+(n+1)*step);//上述field的滤波范围
		pass.setFilterLimitsNegative(false);//设置要保存哪一部分点云，默认为false（field范围内部的点云）
		pass.filter(*cloud_filtered);//输出点云到*cloud_filtered

		
		//点云拼接
		
		(*cloud) = (*cloud) + (*cloud_filtered);
		n+=4;
		//if(num=10)
		//{
		//	pcl::io::savePCDFileASCII("./cloud_filtered.pcd",*cloud);
		//}
  
   }


    //save cloud_filtered.pcd
    pcl::io::savePCDFileASCII("./cloud_filtered.pcd",*cloud);
    std::cout<<"save succeed"<<std::endl;
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 
 
    int v1(0);
    viewer->createViewPort(0,0,0.5,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud,single_color,"cloud",v1);//注意此处的显示点云名称
 
    int v2(0);
    viewer->createViewPort(0.5,0,1,1,v2);
    viewer->setBackgroundColor(0,0,0,v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud_in,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color1,"cloud_in",v2);//PCL_Visualizer类大多数函数会有一个view_port,这个一定要加上，否则会出现点云不按照自己的目的显示的问题
 
    viewer->addCoordinateSystem(1);
    viewer->spin();
    return 0;
}

（9）泊松重建poisson.cpp

/*
三维重构之泊松重构
pcl::Poisson<pcl::PointNormal> pn ;
*/
 
//点的类型的头文件
#include <pcl/point_types.h>
//点云文件IO（pcd文件和ply文件）
#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
//kd树
#include <pcl/kdtree/kdtree_flann.h>
//特征提取
#include <pcl/features/normal_3d_omp.h>//　法线特征
#include <pcl/features/normal_3d.h>
//重构
//#include <pcl/surface/gp3.h> // 贪婪投影三角化算法
#include <pcl/surface/poisson.h>// 泊松算法进行重构
//可视化
#include <pcl/visualization/pcl_visualizer.h>
//多线程
#include <boost/thread/thread.hpp>
// std
#include <fstream>
#include <iostream>
#include <stdio.h>
#include <string.h>
#include <string>
 
int main(int argc, char** argv)
{
    if(argc<2){ 
	  std::cout << "need ply/pcd file. " << std::endl;
          return -1;
	}
    // 确定文件格式
    char tmpStr[100];
    strcpy(tmpStr,argv[1]);
    char* pext = strrchr(tmpStr, '.');
    std::string extply("ply");
    std::string extpcd("pcd");
    if(pext){
        *pext='\0';
        pext++;
    }
    std::string ext(pext);
    //如果不支持文件格式，退出程序
    if (!((ext == extply)||(ext == extpcd))){
        std::cout << "文件格式不支持!" << std::endl;
        std::cout << "支持文件格式：*.pcd和*.ply！" << std::endl;
        return(-1);
    }
 
    //根据文件格式选择输入方式
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
   //创建点云对象指针，用于存储输入
    if (ext == extply){
        if (pcl::io::loadPLYFile(argv[1] , *cloud) == -1){
            PCL_ERROR("Could not read ply file!\n") ;
            return -1;
        }
    }
    else{
        if (pcl::io::loadPCDFile(argv[1] , *cloud) == -1){
            PCL_ERROR("Could not read pcd file!\n") ;
            return -1;
        }
    }
    // 计算法向量 x,y,x + 法向量　+　曲率
    pcl::PointCloud<pcl::PointNormal>::Ptr  cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>); //法向量点云对象指针
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;//法线估计对象
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);//存储估计的法线的指针
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);
    n.setInputCloud(cloud);
    n.setSearchMethod(tree);
    n.setKSearch(20);//20个邻居
    n.compute(*normals);//计算法线，结果存储在normals中
    //　将点云和法线放到一起
    pcl::concatenateFields(*cloud,  *normals,  *cloud_with_normals);
    //创建搜索树
    pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
    tree2->setInputCloud(cloud_with_normals);
    //创建Poisson对象，并设置参数
    pcl::Poisson<pcl::PointNormal> pn;
    pn.setConfidence(false); //是否使用法向量的大小作为置信信息。如果false，所有法向量均归一化。
    pn.setDegree(2); //设置参数degree[1,5],值越大越精细，耗时越久。
    pn.setDepth(8); 
     //树的最大深度，求解2^d x 2^d x 2^d立方体元。
     // 由于八叉树自适应采样密度，指定值仅为最大深度。
 
    pn.setIsoDivide(8); //用于提取ISO等值面的算法的深度
    pn.setManifold(false); //是否添加多边形的重心，当多边形三角化时。 
// 设置流行标志，如果设置为true，则对多边形进行细分三角话时添加重心，设置false则不添加
    pn.setOutputPolygons(false); //是否输出多边形网格（而不是三角化移动立方体的结果）
    pn.setSamplesPerNode(3.0); //设置落入一个八叉树结点中的样本点的最小数量。无噪声，[1.0-5.0],有噪声[15.-20.]平滑
    pn.setScale(1); //设置用于重构的立方体直径和样本边界立方体直径的比率。
    pn.setSolverDivide(8); //设置求解线性方程组的Gauss-Seidel迭代方法的深度
    //pn.setIndices();
 
    //设置搜索方法和输入点云
    pn.setSearchMethod(tree2);
    pn.setInputCloud(cloud_with_normals);
    //创建多变形网格，用于存储结果
    pcl::PolygonMesh mesh;
    //执行重构
    pn.performReconstruction(mesh);
 
    //保存网格图
    pcl::io::savePLYFile("result.ply", mesh);
 
    // 显示结果图
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D viewer")) ;
    viewer->setBackgroundColor(0 , 0 , 0);//背景　黑色
    viewer->addPolygonMesh(mesh , "my");//mesh
    //viewer->addCoordinateSystem (0.10);//坐标系
    viewer->initCameraParameters();//相机参数
    while (!viewer->wasStopped()){
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
 
    return 0;
}

（10）pcd文件转txt文件xyz.cpp

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <fstream>
using namespace std;
 
int main(int argc,char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
 	ofstream outfile;
	outfile.open("data.txt", ios::binary | ios::app | ios::in | ios::out);
	//注意，里面有iOS：：app，表示打开文件后，在写入的文件不会覆盖原文件中的内容，也就是原来文件中的数据会得到保存。
	if(pcl::io::loadPCDFile<pcl::PointXYZ>(argv[1],*cloud)==-1)//*打开点云文件
	{
		PCL_ERROR("Couldn't read file test_pcd.pcd\n");
		return(-1);
	}
	std::cout<<"Loading... "<<std::endl;

	for(size_t i=0;i<cloud->points.size();++i)
	{
		outfile<<cloud->points[i].x <<" "<<cloud->points[i].y<<" "<<cloud->points[i].z<<std::endl;
	}
	std::cout<<"Finished"<<std::endl;
	outfile.close();//关闭文件，保存文件。 
	return(0);
}

（11）pcd文件转ply文件pcdtoply.cpp

#include <iostream>          //输入输出流头文件
#include <pcl/io/pcd_io.h>   //打开关闭pcd类定义头文件
#include <pcl/point_types.h> //所有点类型定义头文件
#include <pcl/io/ply_io.h>   //打开关闭ply类定义头文件
#include <pcl/point_types.h> //打印的头文件
#include <pcl/visualization/cloud_viewer.h>

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	
         pcl::io::loadPCDFile(argv[1],*cloud);
	//显示点云数量
	std::cout << "point number: "
		<< cloud->width * cloud->height
		<< std::endl;

	
	std::string filename("11.ply");
	pcl::PLYWriter writer;    
	writer.write("11.ply", *cloud);  //保存文件
	

	return (0);
}

（12）ply文件转pcd文件plytopcd.cpp

#include <iostream>
#include <pcl/common/io.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/PolygonMesh.h>
#include <vtkSmartPointer.h>
#include <vtkPolyData.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/vtk_lib_io.h>

using namespace std;

int main()
{
            pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
            pcl::PolygonMesh mesh;
            vtkSmartPointer<vtkPolyData> polydata = vtkSmartPointer<vtkPolyData>::New();
            pcl::io::loadPolygonFilePLY("Stone.ply", mesh);
            pcl::io::mesh2vtk(mesh, polydata);
            pcl::io::vtkPolyDataToPointCloud(polydata, *cloud);
            pcl::io::savePCDFileASCII("Stone.pcd", *cloud);
            return 0;
}

（13）三维点云90度旋转changexyz.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/passthrough.h>//直通滤波器文件
#include <pcl/visualization/pcl_visualizer.h>

int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    cloud_filtered->width = cloud_in->width;
    cloud_filtered->height = cloud_in->height;
    cloud_filtered->is_dense = false;
    cloud_filtered->resize(cloud_filtered->height*cloud_filtered->width);
 

	
    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		cloud_filtered->points[i].x = cloud_in->points[i].z;
		cloud_filtered->points[i].y = cloud_in->points[i].x;
		cloud_filtered->points[i].z = -(cloud_in->points[i].y);
    }
    //save cloud_filtered.pcd
    pcl::io::savePCDFileASCII("./changedxyz.pcd",*cloud_filtered);
    std::cout<<"save succeed"<<std::endl;
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 
 
    int v1(0);
    viewer->createViewPort(0,0,0.5,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_filtered,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered,single_color,"cloud_filtered",v1);//注意此处的显示点云名称
 
    int v2(0);
    viewer->createViewPort(0.5,0,1,1,v2);
    viewer->setBackgroundColor(0,0,0,v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud_in,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color1,"cloud_in",v2);//PCL_Visualizer类大多数函数会有一个view_port,这个一定要加上，否则会出现点云不按照自己的目的显示的问题
 
    viewer->addCoordinateSystem(1);
 
    viewer->spin();
 
 
    return 0;
}

（14）三维点云原点坐标校正correctxyz.cpp

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
 
float max_x;
float min_x;
float max_y;
float min_y;
float max_z;
float min_z;
 
int main(int argc,char **argv) {
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(argv[1],*cloud_in);
 
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    cloud_filtered->width = cloud_in->width;
    cloud_filtered->height = cloud_in->height;
    cloud_filtered->is_dense = false;
    cloud_filtered->resize(cloud_filtered->height*cloud_filtered->width);
    //输出点云三个维度最大值/最小值
    max_x = cloud_in->points[0].x;
    min_x = cloud_in->points[0].x;

    max_y = cloud_in->points[0].y;
    min_y = cloud_in->points[0].y;

    max_z = cloud_in->points[0].z;
    min_z = cloud_in->points[0].z;
	
    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		if(cloud_in->points[i].x >= max_x)
		{
			max_x = cloud_in->points[i].x;
		}
		if(cloud_in->points[i].x <= min_x)
		{
			min_x = cloud_in->points[i].x;
		}

		if(cloud_in->points[i].y >= max_y)
		{
			max_y = cloud_in->points[i].y;
		}
		if(cloud_in->points[i].y <= min_y)
		{
			min_y = cloud_in->points[i].y;
		}

		if(cloud_in->points[i].z >= max_z)
		{
			max_z = cloud_in->points[i].z;
		}
		if(cloud_in->points[i].z <= min_z)
		{
			min_z = cloud_in->points[i].z;
		}
    }

    for(size_t i=0;i<cloud_in->points.size();++i)
    {
		cloud_filtered->points[i].x = cloud_in->points[i].x-min_x;
		cloud_filtered->points[i].y = cloud_in->points[i].y-min_y;
		cloud_filtered->points[i].z = cloud_in->points[i].z-min_z;
    }


    //save cloud_filtered.pcd
    pcl::io::savePCDFileASCII("./correctxyz.pcd",*cloud_filtered);
    std::cout<<"save succeed"<<std::endl;
 
    //可视化pcd
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3d viewer"));
 
    viewer->initCameraParameters();
 
 
    int v1(0);
    viewer->createViewPort(0,0,0.5,1,v1);
    viewer->setBackgroundColor(0,0,0,v1);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_filtered,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered,single_color,"cloud_filtered",v1);//注意此处的显示点云名称
 
    int v2(0);
    viewer->createViewPort(0.5,0,1,1,v2);
    viewer->setBackgroundColor(0,0,0,v2);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud_in,255,255,255);
    viewer->addPointCloud<pcl::PointXYZ>(cloud_in,single_color1,"cloud_in",v2);//PCL_Visualizer类大多数函数会有一个view_port,这个一定要加上，否则会出现点云不按照自己的目的显示的问题
 
    viewer->addCoordinateSystem(1);
 
    viewer->spin();
 
    return 0;
}
秘制小憨包
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python-编写点云处理软件（六）点云拾取功能（VTK文本显示）
weixin_43894929的博客
08-26 3369
通过本篇内容基本实现一个简洁但实用的交互式选点功能。当你在点云数据上点击鼠标时，可以获取到选中点的坐标信息，并以文本形式显示在窗口中。这个交互式的功能可以让用户更方便地查看和分析点云数据，提升数据处理的效率。无论是用于学习、研究还是项目开发，这个功能都能够提供很多帮助。
CloudCompare&PCL 文章目录汇总（持续更新...）
dayuhaitang1的博客
04-30 4890
文章目录一、CloudCompare基础配置二、点云几何图形三、点云滤波四、可视化五、点云分割六、点云描述子七、点云聚类其他 一、CloudCompare基础配置 CloudCompare之插件式开发 CloudCompare添加窗口（插件式） CloudCompare&PCL添加算法(非插件式，点云DBSCAN聚类算法) CloudCompare 鼠标交互 CloudCompare编译las数据读取插件 二、点云几何图形 CloudCompare&PCL绘制线（凸包算法） PCL学习
基于切片技术的点云数据预处理研究 (2009年)
05-26
针对扫描点云杂乱无序的特点,讨论了点云数据预处理的问题,提出了一种新的基于点云切片的数据预处理迭代算法.通过对点云最小包围盒进行均匀分割及分割后点云的密度分析,对密度过大的分割块进行迭代分割,建立了3个方向的点云切片和截面线.结果不仅大大减少了点云数据量,并且在点云密度过大的区域很好地保持了模型的原始特征,同时将原始的无序数据点集转化为具有层列结构的有序组织形式,确定了各点之间的相互关系,为后续曲线曲面拟合做了很好的准备.
点云处理相关实用软件
weixin_42674350的博客
03-09 5665
@[TOC]（点云处理相关实用软件） ##cloudcompare 软件及源码下载http://www.cloudcompare.org/ 简易版使用教程https://blog.csdn.net/huihut/article/details/69399050 ##Geometry++ 教程：http://geometryhub.net/geometryplusplus/document BGL教...
Kinect+PCL Demo程序 点云处理和显示 VS2013
05-06
完成的功能有：三维点云获取，点云数据下采样（为后续处理加速），平面检测和获取，3D显示 在一个老外牛人的程序上改的，原版只支持点云获取和显示，不包括点云处理。另外，原版有个bug，会导致大量的CPU时间用来显示无效的点云数据，已被我这版修正。 程序中有个宏开关CLOUD_DISPLAY，如果定义这个宏则有三维显示，如果不定义这个宏则关闭三维显示功能。关闭三维显示的目的是为了加速三维点云数据的处理。 另外，使用本程序必要条件是要在你电脑上把Kinect SDK装好，这个去官网下就是了。同时需要把PCL环境配好，推荐另外一个牛人的博客：http://www.zhangzscn.com/2016/03/02/pcl1-8-0%EF%BC%8Cvs2013%E9%85%8D%E7%BD%AE%E6%95%99%E7%A8%8B%E3%80%82/
点云切片C++代码 求取点云体积的上一步
01-23
点云切片C++代码 求取点云体积的上一步
SharpGL.WinForms.zip_C#插件_数据处理_点云处理_点云数据显示_点云显示
07-15
在现代计算机图形学领域，点云处理已经成为一种重要的数据表示和分析手段，尤其在3D建模、测绘、遥感等领域有着广泛的应用。SharpGL.WinForms是针对C#环境开发的一款插件，它专门用于数据处理和点云数据的可视化，极...
CloudCompare-2.10.2.dmg Mac平台点云处理程序
04-14
CloudCompare-2.10.2.dmg，Mac OSX平台点云处理的一个工具。
PCL三维点云相减程序
10-27
PCL（Point Cloud Library）是一个开源的C++点云处理库，提供了丰富的工具和算法来处理点云数据。使用PCL进行点云相减，我们可以遵循以下步骤： 1. **数据预处理**：首先，对输入的点云数据进行预处理，包括去除...
C#三维点云数据读取并显示 该程序是一个点云处理分割显示程序 可以进行读取数据，并显示，点云分割等
最新发布
10-13
C#三维点云数据读取并显示 该程序是一个点云处理分割显示程序。可以进行读取数据，并显示，点云分割等
应用样条曲线拟合三维激光扫描盾构隧道点云切片
07-12
三维激光扫描技术采用散乱点云对隧道监测,难以对数据进行精确变形处理分析。通过圆曲线拟合隧道点云切片得到的隧道收敛半径,虽然模型简单但不能很好的描述隧道的局部特征,应用三次B样条曲线在特定局部邻域拟合点云切片较好的解决了圆曲线局部拟合不精确,样条曲线整体拟合干扰大局部特征不明显这些缺点。通过实验表明,采用该方法进行环形隧道收敛变形分析,更能真实的反应隧道的真实变形情况,该方法对隧道变形监测具有一定的实用价值。
利用OpenGL VC++编写的C++ 三维点云处理程序
09-13
利用OpenGL、VC++编写的C++，三维点云处理程序，对于学习图形学、C++、OpenGL、文件读写很有帮助，是一个三维软件公司编写代码一部分，尤其是OpenGL库文件相当管用。 有两个数据文件 鼠标默认操作：具体还在头文件中...
改进alpha shape算法求取点云切片面积
dayuhaitang1的博客
04-06 1691
文章目录一、简介二、算法实现2.1算法步骤2.2代码实现三、实现效果参考文献 一、简介 这篇文章借鉴了生长算法对alpha shape算法进行了改进，感觉挺有意思的，就实现一下。 二、算法实现 2.1算法步骤 2.2代码实现 三、实现效果 参考文献 [1]基于改进wshape算法的三维点云树冠体积计算方法 ...
点云切割代码实现
qq_43200940的博客
11-11 752
切割点云
CloudCompare——点云切片
热门推荐
点云侠的博客
07-03 2万+
点云切片、轮廓提取等操作的CloudCompare软件实现。
matlab对点云数据进行切片_通过阿里云函数服务和数据服务对 IoT 设备数据进行处理...
weixin_42309773的博客
12-15 323
本文介绍通过阿里云表格存储 TableStore、对象存储OSS、DataWorks 数据集成和 Serverless 函数等云服务对物联网平台接收的 IoT 设备消息进行持久化存储和处理的过程，探讨如何通过云服务快速地构建一个 IoT 应用的原型。本文继承专辑上一篇文章ESP32 设备连接阿里云 IoT 平台 ，继续探讨云服务在快速构建 IoT 方案上的能力应用，以及云原生与 Io...
PCL提供的几种点云分割的方法
AmbitiousRuralDog的博客
05-11 1万+
前言： 点云识别的深度学习极其需要噪声少的物体点云来作为训练集。获得噪声少的物体点云需要一个好的点云分割器。PCL官方网站:http://pointclouds.org/documentation/tutorials/#segmentation-tutorial提供10来种点云分割的方法，让我来聊聊我的浅见。 PCL提供的点云分割的方法： 1. Plane model segmenta...
Open3D 点云等间距切片
dayuhaitang1的博客
08-14 1028
Open3D 点云等间距切片
MV3D 论文代码复现
qq_20388971的博客
10-20 1306
mv3d 论文代码复现
python pcl点云处理
05-12
Python PCL是一种处理点云数据的Python库，可以运行在Linux、Windows和MacOS平台上，是PCL（点云库）的Python绑定。该库提供了许多用于点云处理的函数和工具，可以实现点云过滤、分割、配准、重建等常见操作。 Python PCL具有用户友好的操作界面和广泛的应用范围，是目前众多点云处理程序中比较常用的一种。在使用过程中，可以使用Python PCL实现点云间的关系建模和分析，同时也可以使用Python PCL进行点云可视化。Python PCL是与Python语言结合的一种功能强大的点云数据处理工具，可用于各种计算机视觉和机器人领域。 总之，Python PCL是一种功能强大且易于使用的点云处理库，因其灵活的接口、广泛的应用场景和可扩展性而备受青睐。使用Python PCL可以方便地对点云数据进行各种处理和分析，使得点云分析和处理变得简单而有趣。
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