关于边缘提取的算法，PCL官网以及《点云PCL库从入门到精通》相应章节均有，所以别在花积分下载，稍微修改一下就能够应用。那么，问题是将官方的边缘提取算法可能也得花点时间来调试，一般官方所给的例子代码是需要这样设置：
项目名称右击属性->Properties->Configuration Properties->Debegging->Debugging->Command Arguments处添加点云数据路径。
若嫌弃这种方法那就在例子代码中稍微修改一下，通过PCL读取点云的函数进行加载点云数据。以下代码所给的经稍微修改，直接点云数据拷贝至所建项目名称名称路径下，如图所示：
#include <iostream>
#include <pcl/console/parse.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/features/boundary.h>
#include <math.h>
#include <boost/make_shared.hpp>
#include <pcl/point_cloud.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/features/normal_3d.h>
#include <pcl/filters/covariance_sampling.h>
#include <pcl/filters/normal_space.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/io/ply_io.h>
#include <pcl/filters/statistical_outlier_removal.h>
int estimateBorders(pcl::PointCloud<pcl::PointXYZI>::Ptr &cloud, float re, float reforn)
{
pcl::PointCloud<pcl::Boundary> boundaries; //保存边界估计结果
pcl::BoundaryEstimation<pcl::PointXYZI, pcl::Normal, pcl::Boundary> boundEst; //定义一个进行边界特征估计的对象
pcl::NormalEstimation<pcl::PointXYZI, pcl::Normal> normEst; //定义一个法线估计的对象
pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); //保存法线估计的结果
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_boundary(new pcl::PointCloud<pcl::PointXYZI>);
normEst.setInputCloud(pcl::PointCloud<pcl::PointXYZI>::Ptr(cloud));
normEst.setRadiusSearch(reforn); //设置法线估计的半径//normEst.setKSearch(10);//表示计算点云法向量时，搜索的点云个数
normEst.compute(*normals); //将法线估计结果保存至normals
//输出法线的个数
std:cout << "reforn: " << reforn << std::endl;
std::cerr << "normals: " << normals->size() << std::endl;
boundEst.setInputCloud(cloud); //设置输入的点云
boundEst.setInputNormals(normals); //设置边界估计的法线，因为边界估计依赖于法线
boundEst.setRadiusSearch(re); //设置边界估计所需要的半径,//这里的Threadshold为一个浮点值，可取点云模型密度的10倍
boundEst.setAngleThreshold(M_PI / 4); //边界估计时的角度阈值M_PI / 4 并计算k邻域点的法线夹角,若大于阈值则为边界特征点
boundEst.setSearchMethod(pcl::search::KdTree<pcl::PointXYZI>::Ptr(new pcl::search::KdTree<pcl::PointXYZI>)); //设置搜索方式KdTree
boundEst.compute(boundaries); //将边界估计结果保存在boundaries
std::cerr << "AngleThreshold: " << M_PI / 4 << std::endl;
//输出边界点的个数
std::cerr << "boundaries: " << boundaries.points.size() << std::endl;
//存储估计为边界的点云数据，将边界结果保存为pcl::PointXYZ类型
for (int i = 0; i < cloud->points.size(); i++)
{
if (boundaries[i].boundary_point > 0)
{
cloud_boundary->push_back(cloud->points[i]);
}
}
pcl::PCDWriter writer;
std::stringstream ss;
ss << "boundary" << ".pcd";
writer.write<pcl::PointXYZI>(ss.str(), *cloud_boundary, false);
//可视化显示原始点云与边界提取结果
boost::shared_ptr<pcl::visualization::PCLVisualizer> MView(new pcl::visualization::PCLVisualizer("边界提取"));
int v1(0);
MView->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
MView->setBackgroundColor(0.3, 0.3, 0.3, v1);
MView->addText("Raw point clouds", 10, 10, "v1_text", v1);
int v2(0);
MView->createViewPort(0.5, 0.0, 1, 1.0, v2);
MView->setBackgroundColor(0.5, 0.5, 0.5, v2);
MView->addText("Boudary point clouds", 80, 80, "v2_text", v2);
MView->addPointCloud<pcl::PointXYZI>(cloud, "sample cloud", v1);
MView->addPointCloud<pcl::PointXYZI>(cloud_boundary, "cloud_boundary", v2);
MView->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "sample cloud", v1);
MView->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "cloud_boundary", v2);
//MView->addCoordinateSystem(1.0); //取消坐标系
//MView->initCameraParameters(); //设置照相机参数，使用户从默认的角度和方向观察点云
MView->spin();
return 0;
}
int
main(int argc, char** argv)
{
srand(time(NULL));
float re=1.0, reforn=20.0;
/*re = std::atof(argv[2]);
reforn = std::atof(argv[3]);*/
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_src(new pcl::PointCloud<pcl::PointXYZI>);
pcl::io::loadPCDFile("1.pcd", *cloud_src); // argv[1] knee_piece 149218989821
//创建滤波器对象
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);
pcl::StatisticalOutlierRemoval<pcl::PointXYZI> sor;
sor.setInputCloud(cloud_src);
sor.setMeanK(100);//寻找每个点的50个最近邻点
sor.setStddevMulThresh(3.0);//一个点的最近邻距离超过全局平均距离的一个标准差以上，就会舍弃
sor.filter(*cloud_filtered);
std::cout << "cloud_src: " << cloud_src->points.size() << std::endl;
std::cout << "cloud_filtered: " << cloud_filtered->points.size() << std::endl;
estimateBorders(cloud_src, re, reforn);
return 0;
}
详情的介绍可以看看本文所参考的博文。
参考博文：
3712
