代码展示:
#include <iostream>
#include <string>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include<pcl/filters/extract_indices.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/cloud_viewer.h>
using namespace std;
typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloudT;
int main() {
// 加载点云
PointCloudT::Ptr cloud(new PointCloudT);
string fileName = "/home/pi/Desktop/pcl/pcl-learning/10features特征/2估计点云子集的表面法线(error)/table_scene_lms400.pcd";
if (pcl::io::loadPCDFile(fileName, *cloud) == -1) {
cerr << "加载文件失败" << endl;
}
//创建一组要使用的索引。为简单起见,我们将使用点云中前10%的点
vector<int> indices(floor(cloud->size() / 10));
for (size_t i = 0; i < indices.size(); ++i) indices[i] = i;
// //创建NormalEstimation类,并将输入数据集传递给它
pcl::NormalEstimation<PointT, pcl::Normal> ne;
ne.setInputCloud(cloud);
// 传递索引
boost::shared_ptr<vector<int> > indicesptr(new vector<int>(indices));
ne.setIndices(indicesptr);
// 创建一个空的kdtree表示形式,并将其传递给normal estimation 对象
// 它的内容将根据给定的输入数据集填充到对象内部(因为未提供其他搜索表面)。
pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>());
ne.setSearchMethod(tree);
// 输出的点云
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
// 在半径0.03m的范围内近邻
ne.setRadiusSearch(0.03);
// 计算特征
ne.compute(*cloud_normals);
cout << cloud_normals->size() << endl;
// 提取使用点云中前10%的点
PointCloudT::Ptr indices_cloud(new PointCloudT);
pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud);
extract.setIndices(indicesptr);
extract.setNegative(false);//如果设为true,可以提取指定index之外的点云
extract.filter(*indices_cloud);
// 可视化
pcl::visualization::PCLVisualizer viewer("viewer");
viewer.setBackgroundColor(0.0, 0.0, 0.0);
viewer.addPointCloudNormals<PointT, pcl::Normal>(indices_cloud, cloud_normals);
// viewer.addPointCloud(cloud, "viewer");
while (!viewer.wasStopped()) {
viewer.spinOnce();
}
}
效果展示: