对点云的操作可以直接应用变换矩阵,即旋转,平移,尺度,3D的变换就是要使用4*4 的矩阵,例如:
![e5ac7cfdb5a5cf69b0dc60cd3005dffc.png](https://i-blog.csdnimg.cn/blog_migrate/b8125ec832485a82d036fa919c2739ea.jpeg)
![3e636d03452ebf3c498b222f5082d555.png](https://i-blog.csdnimg.cn/blog_migrate/1f748940c58db93aafab9bee07b3c9db.jpeg)
![de9a47f0b23040a7e9f3191162cc28e6.png](https://i-blog.csdnimg.cn/blog_migrate/0a2a379b5d0ce7d6196a08ba9475da59.jpeg)
![d43d745e58a3c97c18e699f95572f95f.png](https://i-blog.csdnimg.cn/blog_migrate/04848b66782229c3ed01aaf90db3253a.jpeg)
等等模型
在这里直接使用程序开实现一个点云的旋转,新建文件matrix.cpp
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/point_cloud.h>
#include <pcl/console/parse.h>
#include <pcl/common/transforms.h>
#include <pcl/visualization/pcl_visualizer.h>
// 命令行的帮助提示
void showHelp(char * program_name)
{
std::cout << std::endl;
std::cout << "Usage: " << program_name << " cloud_filename.[pcd|ply]" << std::endl;
std::cout << "-h: Show this help." << std::endl;
}
int main (int argc, char** argv)
{
if (pcl::console::find_switch (argc, argv, "-h") || pcl::console::find_switch (argc, argv, "--help")) {
showHelp (argv[0]);
return 0;
}
// 读取文件
std::vector<int> filenames;
bool file_is_pcd = false;
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".ply");
if (filenames.size () != 1) {
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".pcd");
if (filenames.size () != 1) {
showHelp (argv[0]);
return -1;
} else {
file_is_pcd = true;
}
}
//载入文件
pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud (new pcl::PointCloud<pcl::PointXYZ> ());
if (file_is_pcd) {
if (pcl::io::loadPCDFile (argv[filenames[0]], *source_cloud) < 0) {
std::cout << "Error loading point cloud " << argv[filenames[0]] << std::endl << std::endl;
showHelp (argv[0]);
return -1;
}
} else {
if (pcl::io::loadPLYFile (argv[filenames[0]], *source_cloud) < 0) {
std::cout << "Error loading point cloud " << argv[filenames[0]] << std::endl << std::endl;
showHelp (argv[0]);
return -1;
}
}
/* Reminder: how transformation matrices work :
|-------> This column is the translation
| 1 0 0 x |
| 0 1 0 y | }-> The identity 3x3 matrix (no rotation) on the left
| 0 0 1 z | /
| 0 0 0 1 | -> We do not use this line (and it has to stay 0,0,0,1)
METHOD #1: Using a Matrix4f
This is the "manual" method, perfect to understand but error prone !
*/
Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();
// Define a rotation matrix 定义旋转的角度 再有角度计算出旋转矩阵
float theta = M_PI/4; // The angle of rotation in radians
transform_1 (0,0) = cos (theta);
transform_1 (0,1) = -sin(theta);
transform_1 (1,0) = sin (theta);
transform_1 (1,1) = cos (theta);
// (row, column)
// Define a translation of 2.5 meters on the x axis.
transform_1 (0,3) = 2.5;//意思就是在第一行第四个元素的值为2.5,也就是在x轴的平移为2.5
// Print the transformation 打印出这个变换矩阵
printf ("Method #1: using a Matrix4fn");
std::cout << transform_1 << std::endl;
/* METHOD #2: Using a Affine3f 第二种方案
This method is easier and less error prone 更简单的方案
*/
Eigen::Affine3f transform_2 = Eigen::Affine3f::Identity();
// Define a translation of 2.5 meters on the x axis.
transform_2.translation() << 2.5, 0.0, 0.0;
// The same rotation matrix as before; theta radians arround Z axis
transform_2.rotate (Eigen::AngleAxisf (theta, Eigen::Vector3f::UnitZ()));
// Print the transformation
printf ("nMethod #2: using an Affine3fn");
std::cout << transform_2.matrix() << std::endl;
// Executing the transformation
pcl::PointCloud<pcl::PointXYZ>::Ptr transformed_cloud (new pcl::PointCloud<pcl::PointXYZ> ());
// 你可以使用 transform_1 或者 transform_2;效果都是一样的
pcl::transformPointCloud (*source_cloud, *transformed_cloud, transform_2);
// 可视化的
printf( "nPoint cloud colors : white = original point cloudn"
" red = transformed point cloudn");
pcl::visualization::PCLVisualizer viewer ("Matrix transformation example");
// 为点云设置RGB的值
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> source_cloud_color_handler (source_cloud, 255, 255, 255);
// We add the point cloud to the viewer and pass the color handler
viewer.addPointCloud (source_cloud, source_cloud_color_handler, "original_cloud");
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> transformed_cloud_color_handler (transformed_cloud, 230, 20, 20); // Red
viewer.addPointCloud (transformed_cloud, transformed_cloud_color_handler, "transformed_cloud");
viewer.addCoordinateSystem (1.0, 0);
viewer.setBackgroundColor(0.05, 0.05, 0.05, 0); //设置背景颜色
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud");
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "transformed_cloud");
//viewer.setPosition(800, 400); // Setting visualiser window position
while (!viewer.wasStopped ()) { // Display the visualiser until 'q' key is pressed
viewer.spinOnce ();
}
return 0;
}
编译后我们随便找一个PCD文件查看效果,也可以该程序的参数,查看不同的参数的结果
命令窗口打印的结果
![bd8440ccf8adc6d95c8883fc58c6b6ae.png](https://i-blog.csdnimg.cn/blog_migrate/8c229868f2bd8a512010fa3f2383ef5f.jpeg)
可视化的结果
![fbd318b1332f1bd236a73c4f425d1901.png](https://i-blog.csdnimg.cn/blog_migrate/bc7ea11256aa770c0e516e4b813ef9f4.jpeg)
(2)移除 NaNs:
从传感器获得的点云可能包含几种测量误差和/或不准确。其中之一是在一些点的坐标中存在NaN(不是数)值,正如你在下面的文件中看到的那样:
# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z rgba
SIZE 4 4 4 4
TYPE F F F U
COUNT 1 1 1 1
WIDTH 640
HEIGHT 480
VIEWPOINT 0 0 0 1 0 0 0
POINTS 307200
DATA ascii
nan nan nan 10135463
nan nan nan 10398635
nan nan nan 10070692
nan nan nan 10268071
...
点云对象的成员函数有称为“is_dense()”,如果所有的点都有效的返回true是为有限值。一个NaNs表明测量传感器距离到该点的距离值是有问题的,可能是因为传感器太近或太远,或者因为表面反射。那么当存在无效点云的NaNs值作为算法的输入的时候,可能会引起很多问题,比如“"Assertion `point_representation_->isValid (point) && "Invalid (NaN, Inf) point coordinates given to radiusSearch!"' failed."”如果发生这样的错误就要移除这些点,那么下面就是为了解决移除无效点的程序
#include <pcl/io/pcd_io.h>
#include <pcl/filters/filter.h>
#include <iostream>
#include <pcl/visualization/cloud_viewer.h>
int main(int argc,char** argv)
{
if(argc !=3)
{
std::cout <<"tUsage: "<<argv[0] <<"<input cloud> <output cloud>" <<std::endl;
return -1;
}
//object for string the point cloud
pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>);
//read a PCDfile from disk
if(pcl::io::loadPCDFile<pcl::PointXYZRGBA>(argv[1],*cloud) !=0)
{
return -1;
}
//the mapping tells you to that points of the oldcloud the new ones correspond
//but we will not use it
std::vector<int> mapping;
pcl::removeNaNFromPointCloud(*cloud, *cloud, mapping);
//pcl::removeNaNFromPointCloud(*cloud, *cloud, mapping);
//save it back
pcl::io::savePCDFileASCII(argv[2],*cloud);
pcl::visualization::CloudViewer viewer(argv[2]);
viewer.showCloud(cloud);
while (!viewer.wasStopped())
{
// Do nothing but wait.
}
}
然后可以显示移除NaNs点后的可视图,
![9bb9a436b41d4a0cc6546484a0c1e801.png](https://i-blog.csdnimg.cn/blog_migrate/b19ed5c365c18622cfdc055b9c08afdd.jpeg)
这张点云是我自己用kinect 生成的点云,在没有移除NaNs的时候可以先读取以下,显示他的点云数值在命令窗口,你会发现会有很多的NaNs的无效点,经过移除这些点之后在read一些打印处的结果就不会存在NaNs的无效点,这样在后期的使用算法的时候就不会出现错误了。
![892ac91e5fca72855706d41308fc7f05.png](https://i-blog.csdnimg.cn/blog_migrate/a7af38708347711c113f1c3a01a96c7c.jpeg)
这种方法的问题是它不会保持点云仍然是有序点云。所有的点云都存储一个“宽度”和“高度”变量。在无序点云,总数为宽度相同,而高度设置为1。在有序的点云(像从相机拍摄像传感器如Kinect或Xtion的),宽度和高度都相同的像素的图像分辨率传感器的工作。点云分布在深度图像的行中,每一个点对应一个像素。成员函数”isorganized()”如果高度大于1时返回真。
由于移除NaNs无效点会改变点云的点的数量,它不再能保持组织与原来的宽高比,所以函数将设置高度1。这不是一个大问题,只有少数的PCL的算法工作明确要求是有序的点云(大多这样情况下会使用在优化上),但你必须考虑其中的影响。
暂时就到这里了。。。。。。
文章中如有问题可以留言交流,可扫描二维码,关注微信公众号,共同学习交流
![3e5c73dd6bb4ae4a1babd619dc64c737.png](https://i-blog.csdnimg.cn/blog_migrate/8148c0df65a6ead7d880d490ac348841.png)