pcl ptr转换_pcl常用小知识

时间计算

pcl中计算程序运行时间有很多函数，其中利用控制台的时间计算是：

首先必须包含头文件 #include ，其次，pcl::console::TicToc time; time.tic(); +程序段 + cout<

如何实现类似pcl::PointCloud::Ptr和pcl::PointCloud的两个类相互转换？

#include

#include

#include

pcl::PointCloud<:pointxyz>::Ptr cloudPointer(new pcl::PointCloud<:pointxyz>);

pcl::PointCloud<:pointxyz> cloud;

cloud = *cloudPointer;

cloudPointer = cloud.makeShared();

如何查找点云的x，y，z的极值？

#include

#include

#include

pcl::PointCloud<:pointxyz>::Ptr cloud;

cloud = pcl::PointCloud<:pointxyz>::Ptr (new pcl::PointCloud<:pointxyz>);

pcl::io::loadPCDFile<:pointxyz> ("your_pcd_file.pcd", *cloud);

pcl::PointXYZ minPt, maxPt;

pcl::getMinMax3D (*cloud, minPt, maxPt);

如果知道需要保存点的索引，如何从原点云中拷贝点到新点云？

#include

#include

#include

#include

pcl::PointCloud<:pointxyz>::Ptr cloud(new pcl::PointCloud<:pointxyz>);

pcl::io::loadPCDFile<:pointxyz>("C:\office3-after21111.pcd", *cloud);

pcl::PointCloud<:pointxyz>::Ptr cloudOut(new pcl::PointCloud<:pointxyz>);

std::vector indexs = { 1, 2, 5 };

pcl::copyPointCloud(*cloud, indexs, *cloudOut);

如何从点云里删除和添加点？

#include

#include

#include

#include

pcl::PointCloud<:pointxyz>::Ptr cloud(new pcl::PointCloud<:pointxyz>);

pcl::io::loadPCDFile<:pointxyz>("C:\office3-after21111.pcd", *cloud);

pcl::PointCloud<:pointxyz>::iterator index = cloud->begin();

cloud->erase(index);//删除第一个

index = cloud->begin() + 5;

cloud->erase(cloud->begin());//删除第5个

pcl::PointXYZ point = { 1, 1, 1 };

//在索引号为5的位置1上插入一点，原来的点后移一位

cloud->insert(cloud->begin() + 5, point);

cloud->push_back(point);//从点云最后面插入一点

std::cout << cloud->points[5].x;//输出1

如果删除的点太多建议用上面的方法拷贝到新点云，再赋值给原点云，如果要添加很多点，建议先resize，然后用循环向点云里的添加。

如何对点云进行全局或局部变换

#include

#include

#include

#include

#include

pcl::PointCloud<:pointxyz>::Ptr cloud (new pcl::PointCloud<:pointxyz>);

pcl::io::loadPCDFile("path/.pcd",*cloud);

//全局变化

//构造变化矩阵

Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();

float theta = M_PI/4; //旋转的度数，这里是45度

transform_1 (0,0) = cos (theta); //这里是绕的Z轴旋转

transform_1 (0,1) = -sin(theta);

transform_1 (1,0) = sin (theta);

transform_1 (1,1) = cos (theta);

// transform_1 (0,2) = 0.3; //这样会产生缩放效果

// transform_1 (1,2) = 0.6;

// transform_1 (2,2) = 1;

transform_1 (0,3) = 25; //这里沿X轴平移

transform_1 (1,3) = 30;

transform_1 (2,3) = 380;

pcl::PointCloud<:pointxyz>::Ptr transform_cloud1 (new pcl::PointCloud<:pointxyz>);

pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1); //不言而喻

//局部

pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix); //第一个参数为输入，第二个参数为输入点云中部分点集索引，第三个为存储对象，第四个是变换矩阵。

链接两个点云字段(两点云大小必须相同)

pcl::PointCloud<:pointxyz>::Ptr cloud (new pcl::PointCloud<:pointxyz>);

pcl::io::loadPCDFile("/home/yxg/pcl/pcd/mid.pcd",*cloud);

pcl::NormalEstimation<:pointxyz> ne;

ne.setInputCloud(cloud);

pcl::search::KdTree<:pointxyz>::Ptr tree (new pcl::search::KdTree<:pointxyz>());

ne.setSearchMethod(tree);

pcl::PointCloud<:normal>::Ptr cloud_normals(new pcl::PointCloud<:normal>());

ne.setKSearch(8);

//ne.setRadisuSearch(0.3);

ne.compute(*cloud_normals);

pcl::PointCloud<:pointnormal>::Ptr cloud_with_nomal (new pcl::PointCloud<:pointnormal>);

pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);

如何从点云中删除无效点

pcl中的无效点是指：点的某一坐标值为nan.

#include

#include

#include

#include

using namespace std;

typedef pcl::PointXYZRGBA point;

typedef pcl::PointCloud CloudType;

int main (int argc,char **argv)

{

CloudType::Ptr cloud (new CloudType);

CloudType::Ptr output (new CloudType);

pcl::io::loadPCDFile(argv[1],*cloud);

cout<size()<

vector indices;

pcl::removeNaNFromPointCloud(*cloud,*output,indices);

cout<size()<

pcl::io::savePCDFile("out.pcd",*output);

return 0;

}

将xyzrgb格式转换为xyz格式的点云

#include

#include

#include

#include

#include

using namespace std;

typedef pcl::PointXYZ point;

typedef pcl::PointXYZRGBA pointcolor;

int main(int argc,char **argv)

{

pcl::PointCloud::Ptr input (new pcl::PointCloud);

pcl::io::loadPCDFile(argv[1],*input);

pcl::PointCloud::Ptr output (new pcl::PointCloud);

int M = input->points.size();

cout<

for (int i = 0;i

{

point p;

p.x = input->points[i].x;

p.y = input->points[i].y;

p.z = input->points[i].z;

output->points.push_back(p);

}

output->width = 1;

output->height = M;

cout<< "size is"<size()<

pcl::io::savePCDFile("output.pcd",*output);

}

flann kdtree 查询k近邻

//平均密度计算

pcl::KdTreeFLANN<:pointxyz> kdtree; //创建一个快速k近邻查询,查询的时候若该点在点云中，则第一个近邻点是其本身

kdtree.setInputCloud(cloud);

int k =2;

float everagedistance =0;

for (int i =0; i < cloud->size()/2;i++)

{

vector nnh ;

vector squaredistance;

// pcl::PointXYZ p;

// p = cloud->points[i];

kdtree.nearestKSearch(cloud->points[i],k,nnh,squaredistance);

everagedistance += sqrt(squaredistance[1]);

// cout<

}

everagedistance = everagedistance/(cloud->size()/2);

cout<

#include

pcl::KdTreeFLANN<:pointxyz> kdtree; //创建KDtree

kdtree.setInputCloud (in_cloud);

pcl::PointXYZ searchPoint; //创建目标点，(搜索该点的近邻)

searchPoint.x = 1;

searchPoint.y = 2;

searchPoint.z = 3;

//查询近邻点的个数

int k = 10; //近邻点的个数

std::vector pointIdxNKNSearch(k); //存储近邻点集的索引

std::vectorpointNKNSquareDistance(k); //近邻点集的距离

if (kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquareDistance)>0)

{

for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)

std::cout << " " << in_cloud->points[ pointIdxNKNSearch[i] ].x

<< " " << in_cloud->points[ pointIdxNKNSearch[i] ].y

<< " " <points[ pointIdxNKNSearch[i] ].z

<< " (squared distance: " <

}

//半径为r的近邻点

float radius = 40.0f; //其实是求的40*40距离范围内的点

std::vector pointIdxRadiusSearch; //存储的对应的平方距离

std::vector a;

if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, a) > 0 )

{

for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)

std::cout << " " << in_cloud->points[ pointIdxRadiusSearch[i] ].x

<< " " <points[ pointIdxRadiusSearch[i] ].y

<< " " << in_cloud->points[ pointIdxRadiusSearch[i] ].z

<< " (squared distance: " <

}

关于ply文件

后缀命名为.ply格式文件，常用的点云数据文件。ply文件不仅可以存储点数据，而且可以存储网格数据. 用emacs打开一个ply文件，观察表头，如果表头element face的值为0,ze则表示该文件为点云文件，如果element face的值为某一正整数N，则表示该文件为网格文件，且包含N个网格.

所以利用pcl读取 ply 文件，不能一味用pcl::PointCloud::Ptr cloud (new pcl::PointCloud)来读取。

在读取ply文件时候，首先要分清该文件是点云还是网格类文件。如果是点云文件，则按照一般的点云类去读取即可，官网例子,就是这样。

如果ply文件是网格类，则需要

pcl::PolygonMesh mesh;

pcl::io::loadPLYFile(argv[1],mesh);

pcl::io::savePLYFile("result.ply", mesh);

读取。(官网例子之所以能成功，是因为它对模型进行了细分处理，使得网格变成了点)

计算点的索引

例如sift算法中，pcl无法直接提供索引(主要原因是sift点是通过计算出来的，在某些不同参数下，sift点可能并非源数据中的点，而是某些点的近似)，若要获取索引，则可利用以下函数：

void getIndices (pointcloud::Ptr cloudin, pointcloud keypoints, pcl::PointIndices::Ptr indices)

{

pcl::KdTreeFLANN<:pointxyz> kdtree;

kdtree.setInputCloud(cloudin);

std::vectorpointNKNSquareDistance; //近邻点集的距离

std::vector pointIdxNKNSearch;

for (size_t i =0; i < keypoints.size();i++)

{

kdtree.nearestKSearch(keypoints.points[i],1,pointIdxNKNSearch,pointNKNSquareDistance);

// cout<

// cout<

indices->indices.push_back(pointIdxNKNSearch[0]);

}

}

其思想就是：将原始数据插入到flann的kdtree中，寻找keypoints的最近邻，如果距离等于0,则说明是同一点，提取索引即可.

计算质心

Eigen::Vector4f centroid; //质心

pcl::compute3DCentroid(*cloud_smoothed,centroid); //估计质心的坐标

从网格提取顶点(将网格转化为点)

#include

#include

#include

#include

#include

#include //loadPolygonFileOBJ所属头文件；

#include

#include

#include

using namespace pcl;

int main(int argc,char **argv)

{

pcl::PolygonMesh mesh;

// pcl::io::loadPolygonFileOBJ(argv[1], mesh);

pcl::io::loadPLYFile(argv[1],mesh);

pcl::PointCloud<:pointxyz>::Ptr cloud(new pcl::PointCloud<:pointxyz>);

pcl::fromPCLPointCloud2(mesh.cloud, *cloud);

pcl::io::savePCDFileASCII("result.pcd", *cloud);

return 0;

}

以上代码可以从.obj或.ply面片格式转化为点云类型。