点云数据常用处理：C++实现

已于 2022-11-20 19:45:29 修改
阅读量3.3k 收藏 30
点赞数 3
分类专栏： # 3D deep learning 3D vision 文章标签： c++ 3d
于 2022-04-25 13:15:18 首次发布
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/taifyang/article/details/124402648
版权

目录

python版本实现见：点云数据常用处理：python实现

数据集增强

仿射变换

平移变换

#include <iostream>
#include <fstream>
#include <time.h>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	srand((int)time(0));
	float delta_x = rand() * 20.0 / RAND_MAX - 10.0;
	float delta_y = rand() * 20.0 / RAND_MAX - 10.0;
	float delta_z = rand() * 20.0 / RAND_MAX - 10.0;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		outfile << x + delta_x << " " << y + delta_y << " " << z + delta_z << " "
			<< r << " " <<g << " " <<b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

旋转变换

#include <iostream>
#include <fstream>
#include <time.h>

#define M_PI 3.1415926

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b, temp_x, temp_y, temp_z;
	srand((int)time(0));
	float rot_x = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;
	float rot_y = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;
	float rot_z = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		temp_x = x;
		temp_y = cos(rot_x)*y - sin(rot_x)*z;
		temp_z = sin(rot_x)*y + cos(rot_x)*z;

		x = cos(rot_y)*temp_x - sin(rot_y)*temp_z;
		y = temp_y;
		z = sin(rot_y)*temp_x + cos(rot_y)*temp_z;

		temp_x = cos(rot_z)*x - sin(rot_z)*y;
		temp_y = sin(rot_z)*x + cos(rot_z)*y;
		temp_z = z;

		outfile << temp_x << " " << temp_y << " " << temp_z << " " << r << " " << g << " " << b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

尺度变换

#include <iostream>
#include <fstream>
#include <time.h>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	srand((int)time(0));
	float scale = rand() * 2.0 / RAND_MAX;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		outfile << x * scale << " " << y * scale << " " << z * scale << " " << r << " " << g << " " << b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

仿射变换

上面三种变换综合可以写成：

#include <iostream>
#include <fstream>
#include <time.h>
#include <Eigen/Dense>

Eigen::Matrix4f random_transformation()
{
	srand((int)time(0));

	float x = rand() * 20.0 / RAND_MAX - 10.0;
	float y = rand() * 20.0 / RAND_MAX - 10.0;
	float z = rand() * 20.0 / RAND_MAX - 10.0;

	float rot_x = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;
	float rot_y = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;
	float rot_z = rand() / 5.0 * M_PI / RAND_MAX - M_PI / 10.0;

	float scale = rand() * 2.0 / RAND_MAX;

	Eigen::Vector3f ea(rot_x, rot_y, rot_z);
	Eigen::Matrix3f R;
	R = Eigen::AngleAxisf(ea[0], Eigen::Vector3f::UnitZ())*
		Eigen::AngleAxisf(ea[1], Eigen::Vector3f::UnitY()) *
		Eigen::AngleAxisf(ea[2], Eigen::Vector3f::UnitX());

	R(0, 0) *= scale;
	R(1, 1) *= scale;
	R(2, 2) *= scale;

	Eigen::Vector3f T(x, y, z);
	Eigen::Matrix4f H;
	H << R, T, 0, 0, 0, 1;
	return H;
}

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b, temp_x, temp_y, temp_z;
	Eigen::Matrix4f H = random_transformation();
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		temp_x = H(0, 0)*x + H(0, 1)*y + H(0, 2)*z + H(0, 3);
		temp_y = H(1, 0)*x + H(1, 1)*y + H(1, 2)*z + H(1, 3);
		temp_z = H(2, 0)*x + H(2, 1)*y + H(2, 2)*z + H(2, 3);

		outfile << temp_x << " " << temp_y << " " << temp_z << " " << r << " " << g << " " << b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

仿射变换：
PCL 仿射变换，实现点云平移旋转

添加噪声

高斯噪声

#include <iostream>
#include <fstream>
#include <time.h>
#include <boost/random.hpp>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	//添加高斯噪声
	boost::mt19937 rng;
	rng.seed(static_cast<unsigned int>(time(0)));
	boost::normal_distribution<> nd(0, 0.1);
	boost::variate_generator<boost::mt19937&, boost::normal_distribution<>> var_nor(rng, nd);

	float x, y, z, r, g, b;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		x += static_cast<float> (var_nor());
		y += static_cast<float> (var_nor());
		z += static_cast<float> (var_nor());
		outfile << x << " " << y << " " << z << " " << r << " " << g << " " << b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

随机噪声

#include <iostream>
#include <fstream>
#include <time.h>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	srand((int)time(0));
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		float delta_x = rand() * 2.0 / RAND_MAX - 1.0;
		float delta_y = rand() * 2.0 / RAND_MAX - 1.0;
		float delta_z = rand() * 2.0 / RAND_MAX - 1.0;
		outfile << x + delta_x << " " << y + delta_y << " " << z + delta_z << " "
			<< r << " " << g << " " << b << std::endl;
	}
	infile.close();
	outfile.close();

	return EXIT_SUCCESS;
}

下采样

指定体素

体素滤波具体C++实现见：voxelgrid体素滤波实现
下面是pcl的api调用代码：

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

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		pcl::PointXYZRGB p;
		p.x = x;
		p.y = y;
		p.z = z;
		p.r = r;
		p.g = g;
		p.b = b;
		cloud->push_back(p);
	}
	infile.close();

	pcl::VoxelGrid<pcl::PointXYZRGB> vg; //创建滤波器对象
	vg.setInputCloud(cloud);
	vg.setLeafSize(1, 1, 1);
	vg.filter(*cloud_filtered);

	for (size_t i = 0; i < cloud_filtered->size(); i++)
	{
		outfile << cloud_filtered->points[i].x << " " << cloud_filtered->points[i].y << " " << cloud_filtered->points[i].z << " "
			<< cloud_filtered->points[i].r << " " << cloud_filtered->points[i].g << " " << cloud_filtered->points[i].b << std::endl;
	}
	outfile.close();

	return EXIT_SUCCESS;
}

指定点数

#include <iostream>
#include <fstream>
#include <vector>
#include <time.h>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	srand((int)time(0));
	std::vector<std::vector<float>> points;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		points.push_back({ x, y, z, r, g, b });
	}

	std::vector<int> labels(points.size(), 0);
	std::vector<int> indexs;

	int down_size = 2048;
	if (points.size() < down_size)
		return -1;

	for (size_t i = 0; i < down_size; i++)
	{
		int rand_num = rand() % points.size();

		/*不重复采样应取消以下代码块的注释*/
		//while (true)
		//{
		//	if (labels[rand_num] == 0)
		//	{
		//		labels[i] = 1;
		//		break;
		//	}
		//	rand_num = rand() % points.size();
		//}

		outfile << points[rand_num][0] << " " << points[rand_num][1] << " " << points[rand_num][2] << " "
			<< points[rand_num][3] << " " << points[rand_num][4] << " " << points[rand_num][5] << std::endl;
	}

	return EXIT_SUCCESS;
}

调用pcl库api实现：

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

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
	pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		pcl::PointXYZRGB p;
		p.x = x;
		p.y = y;
		p.z = z;
		p.r = r;
		p.g = g;
		p.b = b;
		cloud->push_back(p);
	}
	infile.close();

	pcl::RandomSample<pcl::PointXYZRGB> ran;     //创建滤波器对象
	ran.setInputCloud(cloud);   //设置待滤波点云
	ran.setSample(2048);     //设置下采样点云的点数
	ran.setSeed(1);      //设置随机函数种子点
	ran.filter(*cloud_filtered);   //执行随机下采样滤波

	for (size_t i = 0; i < cloud_filtered->size(); i++)
	{
		outfile << cloud_filtered->points[i].x << " " << cloud_filtered->points[i].y << " " << cloud_filtered->points[i].z << " "
			<< cloud_filtered->points[i].r << " " << cloud_filtered->points[i].g << " " << cloud_filtered->points[i].b << std::endl;
	}
	outfile.close();

	return EXIT_SUCCESS;
}

数据标准化

#include <iostream>
#include <fstream>
#include <vector>

int main(int argc, char* argv[])
{
	std::ifstream infile;
	infile.open("rabbit.txt");
	std::fstream outfile;
	outfile.open("rabbit_change.txt", 'w');

	float x, y, z, r, g, b;
	std::vector<std::vector<float>> points;
	while (infile >> x >> y >> z >> r >> g >> b)
	{
		points.push_back({ x, y, z, r, g, b });
	}
	infile.close();

	//去中心化
	float mean_x = 0, mean_y = 0, mean_z = 0;
	for (size_t i = 0; i < points.size(); ++i)
	{
		mean_x += points[i][0];
		mean_y += points[i][1];
		mean_z += points[i][2];
	}
	mean_x /=points.size();
	mean_y /=points.size();
	mean_z /=points.size();

	for (size_t i = 0; i < points.size(); ++i)
	{
		points[i][0] -= mean_x;
		points[i][1] -= mean_y;
		points[i][2] -= mean_z;
	}

	//尺度归一化
	float m = 0;
	for (size_t i = 0; i < points.size(); ++i)
	{
		if (sqrt(pow(points[i][0], 2) + pow(points[i][1], 2) + pow(points[i][2], 2)) > m)
			m = sqrt(pow(points[i][0], 2) + pow(points[i][1], 2) + pow(points[i][2], 2));
	}

	for (size_t i = 0; i < points.size(); ++i)
	{
		points[i][0] /= m;
		points[i][1] /= m;
		points[i][2] /= m;
		outfile << points[i][0] << " " << points[i][1] << " " << points[i][2] << " " << points[i][3] << " " << points[i][4] << " " << points[i][5] << std::endl;
	}
	outfile.close();

	return EXIT_SUCCESS;
}
给算法爸爸上香
关注
  • 3
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
Open3D(C++)点云处理算法汇总(C++长期更新版)
点云侠的博客
07-31 1万+
C++版本Open3D进行点云处理的一些算法使用案例。博客长期更新，最近一次更新时间为：2024年7月6日。
2024年最新常见点云分割技术_室内场景点云切割，C C++面试题
2401_84978664的博客
05-14 997
OcTree是一种更容易理解也更自然的思想。对于一个空间，如果某个角落里有个盒子我们却不知道在哪儿。显而易见的方法就是把空间化成8个卦限，然后询问在哪个卦限内。再将存在的卦限继续化成8个。意思大概就是太极生两仪，两仪生四象，四象生八卦，就这么一直划分下去，最后一定会确定一个非常小的空间。对于点云而言，只要将点云的立方体凸包用octree生成很多很多小的卦限，那么在相邻卦限里的点则为相邻点。
C C++最全点云处理基础操作_点云处理过程(2)，2024金九银十面试季
最新发布
2401_84978603的博客
05-15 867
/把cloud复制给newcloud（然后就可以直接用newcloud了，里面就有相应点的坐标了，相当于把指针赋值了吧）注意一定要加这个，否则没法给新点云的点赋值啥的。if (pcl::io::loadPLYFile(fname, *m.cloud) == -1) //* 读入PCD格式的文件，如果文件不存在，返回-1。std::cout
PCL点云数据处理-滤波基础（C++）
huhu7777的博客
06-19 2543
本文采用VS2022+PCL1.12.0，对点云滤波处理的步骤和算法进行一个学习总结。附运行时常见问题。
C++实现点云NDT配准
TheRun的博客
03-23 1235
来自https://adamshan.blog.csdn.net/article/details/79230612。
点云法线估计：C++实现
adfjadsklf的博客
03-23 2325
点云法线估计：PCL实现一、理论基础1、为什么要求点云的法线2、如何估计法向量二、程序实现三、运行结果 一、理论基础 1、为什么要求点云的法线 表面法线是几何体表面的重要属性，在很多领域都有大量应用，例如：在进行光照渲染时产生符合可视习惯的效果时需要表面法线信息才能正常进行，对于一个已知的几何体表面，根据垂直于点表面的矢量，因此推断表面某一点的法线方向通常比较简单。然而，由于我们获取的点云数据集在真实物体的表面表现为一组定点样本，这样就会有两种解决方法： 1）使用曲面重建技术，从获取的点云数据集中得到采样点
C++点云PCL基础ROS代码
HUASHUDEYANJING的博客
03-09 3214
一、概念 1、点云的结构公共字段 PCL包含一个重要的数据结构，被设计成一个模板类，把点的类型当做模板类的参数。 header：pcl::PCLHeader 记录了点云的获取时间 points：std::vector<PointT,...>储存所有点的容器 width：指定点云组织成图像时的宽度 height：指定点云组成图像时的高度 is_dense: 指定点云中是否有无效值 sensor_origin_:是Eigen::Vector4f类型，传感器相对于原点平移所得的位姿
点云项目实战-基于C++实现的激光雷达点云的地面分割算法.zip
03-21
通过这个项目，开发者将深入理解点云数据处理的各个环节，掌握地面分割算法的设计与实现，并了解如何在C++环境下优化性能。对于有兴趣在自动驾驶、无人机或机器人领域工作的工程师来说，这是一个非常有价值的实战...
pcd格式点云归一化的C++实现，借助PCL点云库
03-20
点云处理是指对点云数据进行各种操作和算法，以实现点云数据的分析、处理、重建和应用。点云处理主要包括以下几个方面： 点云预处理：点云预处理包括数据清洗、去噪、滤波、下采样等操作，旨在消除噪声和冗余 点云...
斯坦福大学点云数据集 点云库学习必备
08-04
PCL支持多种硬件平台，包括桌面系统、嵌入式设备和GPU加速，使得开发者能够高效地处理大规模的3D点云数据。 点云数据集是研究点云处理技术的基础，它们通常包含真实世界的3D扫描数据，用于验证和比较不同算法的性能...
C++已知点云数据拟合成几何体
09-01
在IT领域，点云数据处理是一项重要的技术，广泛应用于3D重建、计算机视觉以及机器人导航等领域。本项目涉及的知识点集中在“C++已知点云数据拟合成几何体”，这通常指的是通过算法将散乱的点云数据转换为规则的几何...
C++读取点云数据以及坐标配准代码实现
06-18
主要用于读取.pts类型的点云数据，并对多个点云数据进行坐标配准。PS：每个PTS文件的配准参数需要用mathlab做。
vc++三维点云数据的读取与显示
05-18
使用vc++读取三维数据，并且显示出来.
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 中键拖动 旋转 中键＋Ctrl 平移 中键＋Shift 面旋 滚轮滚动 缩放 中键＋Ctrl ＋ Shift 局部放大
pcl 3d点云数据数据_pcd_10_16.rar
10-16
PCL（Point Cloud Library）是一个开源的C++库，专门用于处理三维点云数据，提供从数据采集、预处理、特征提取、分割、配准到三维重建等一系列算法。 标题"pcl 3d点云数据数据_pcd_10_16.rar"表明这是一个与PCL库...
PCL实现区域增长C++算法
如有侵权，请联系作者删除
04-17 2731
【代码】PCL实现区域增长C++算法。
Open3D(C++) 删除点云中无效的点
点云侠的博客
01-19 467
C++版本Open3D删除点云中的无效点代码使用案例
点云处理c++库——pcl安装
图像处理、SLAM、PCL、OpenCV爱好者
02-01 9149
使用pcl进行点云处理 文章目录安装问题及解决方法 安装 参考：https://blog.csdn.net/weixin_42059276/article/details/106149359 问题及解决方法 Visual Studio C++报错: 无法将参数 1 从“const char [5]”转换为“char *” 将项目属性 >> 语言 >> 符合模式调成否： E2512 功能测试宏的参数必须是简单标识符 选择“仅生成”，然后清理，重新生成即可。 “生成+Inte.
激光条纹中心线提取算法总结和复现
热门推荐
taifyang的博客
03-31 1万+
滤波、分割等预处理过程省略。 几何中心法 极值法 细化法 灰度重心法 法向质心法 Steger算法
Python点云数据处理
07-27
Python可以使用各种库来处理点云数据。以下是一些常用的库和功能： 1. Open3D：Open3D是一个功能强大的开源库，用于处理和可视化三维数据，包括点云。它提供了许多点云数据的处理功能，例如加载、保存、滤波、重采样、配准、分割等。 2. Pyntcloud：Pyntcloud是一个用于点云数据处理的简单易用的库。它提供了许多点云处理的基本功能，如加载、保存、滤波、可视化等。 3. NumPy：NumPy是Python中常用的数值计算库，也可以用于点云数据处理。你可以使用NumPy来进行矩阵运算、向量化操作和数学运算。 4. SciPy：SciPy是一个科学计算库，它提供了许多数值计算和优化算法。在点云数据处理中，你可以使用SciPy的KDTree或球树来加速最近邻搜索。 5. PCL（Point Cloud Library）：PCL是一个C++库，但也有Python绑定可以使用。它提供了丰富的点云处理算法和工具，包括滤波、配准、分割、特征提取等。 这些库都可以在Python中使用，具体选择哪个取决于你的具体需求和个人偏好。你可以根据需要探索并尝试不同的库来处理点云数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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

打赏作者

给算法爸爸上香

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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