Ubuntu 20.04.06 PCL C++学习记录(十六)

@[TOC]PCL中点云分割模块的学习

学习背景

参考书籍:《点云库PCL从入门到精通》以及官方代码PCL官方代码链接,,PCL版本为1.10.0,CMake版本为3.16

学习内容

用一组点云数据做简单的平面的分割

源代码及所用函数

源代码

#include<iostream>
#include<pcl/ModelCoefficients.h>//定义名为 pcl::ModelCoefficients 的类,用于存储模型的系数
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
#include<pcl/sample_consensus/method_types.h>//随即参数估计方法头文件
#include<pcl/sample_consensus/model_types.h>//定义 PCL 中用于随机采样一致性 (SAC) 方法的枚举类型
#include<pcl/segmentation/sac_segmentation.h>//提供 PCL 中用于基于随机采样一致性 (SAC) 方法进行点云分割的类和函数

int main(int argc,char** aegv)
{
    /********************************生成并设置点云**************************************************************/
    //生成点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    cloud->width = 15;
    cloud->height = 1;
    cloud->points.resize(cloud->width*cloud->height);

    for (size_t i = 0; i < cloud->points.size(); i++)
    {
        cloud->points[i].x = 1024*rand()/(RAND_MAX+1.0f);
        cloud->points[i].y = 1024*rand()/(RAND_MAX+1.0f);        
        cloud->points[i].z = 1.0;
    }
    
    //设置几个局外点,即重新设置几个点的z值,使其偏离z为1的平面
    cloud->points[0].z = 2.0;
    cloud->points[3].z = -2.0;
    cloud->points[6].z = 4.0;

    std::cerr << "Point cloud data: " << cloud->points.size () << " points" << std::endl; 
    for (size_t i = 0; i < cloud->points.size(); i++)
    {
        std::cout<<" "<<cloud->points[i].x<< " "
                      <<cloud->points[i].y<< " "
                      <<cloud->points[i].z<< std::endl;
    }
    /************************************设置分割参数***********************************************/
    //创建分割时所需要的模型系数对象,coefficients及存储内点的点索引集合对象inliers
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
    //创建分割对象
    pcl::SACSegmentation<pcl::PointXYZ> seg;
    //可选择配置,选择模型系数是否需要优化
    seg.setOptimizeCoefficients(true);
    //必要的配置,设置分割的模型类型,所用的随机参数估计方法,距离阀值,输入点云
    seg.setModelType(pcl::SACMODEL_PLANE);//设置模型类型为  平面模型
    seg.setMethodType(pcl::SAC_RANSAC);//设置随机采样一致性方法类型,SAC_RANSAC:随机采样一致性 (RANSAC) 方法
    seg.setDistanceThreshold(0.01);//设定距离阀值,距离阀值决定了点被认为是局内点是必须满足的条件,表示点到估计模型的距离最大值
    seg.setInputCloud(cloud);
    //引发分割实现,存储分割结果到点几何inliers及存储平面模型的系数coefficients
    seg.segment(*inliers,*coefficients);
    if (inliers->indices.size()==0)
    {
        PCL_ERROR("无法为给定数据集估计平面模型");
        return -1;
    }
    //打印出平面模型
    std::cout << "模型系数" << coefficients->values[0] << " " 
                            << coefficients->values[1] << " "
                            << coefficients->values[2] << " " 
                            << coefficients->values[3] << std::endl;
    std::cout << "离群值模型" << inliers->indices.size() <<std::endl;
    for (size_t i = 0; i < inliers->indices.size(); i++)
    {
        std::cerr << inliers->indices[i] << "    " << cloud->points[inliers->indices[i]].x << " "
                                               << cloud->points[inliers->indices[i]].y << " "
                                               << cloud->points[inliers->indices[i]].z << std::endl;
    }
    return 0;

}

CMakeLists.txt

cmake_minimum_required(VERSION 3.16 FATAL_ERROR)#指定CMake的最低版本要求为3.16
project(project)#设置项目名称
find_package(PCL 1.10 REQUIRED)#查找PCL库,要求版本为1.10或更高。
include_directories(${PCL_INCLUDE_DIRS})#将PCL库的头文件目录添加到包含路径中
link_directories(${PCL_LIBRARY_DIRS})#将PCL库的库文件目录添加到链接器搜索路径中。
add_definitions(${PCL_DEFINITIONS})#添加PCL库的编译器定义
add_executable (planar_segmentation planar_segmentation.cpp)
target_link_libraries (planar_segmentation ${PCL_LIBRARIES})#将PCL库链接到可执行文件目标。

运行结果

在这里插入图片描述

函数

  • #include<pcl/ModelCoefficients.h>定义了一个名为 pcl::ModelCoefficients 的类,用于存储模型的系数。在点云处理中,我们经常需要拟合各种模型,如平面、球体、圆柱体等。这些模型可以用一组系数来表示,例如:

    对于平面模型,我们需要存储平面的法向量和距离系数。
    对于球体模型,我们需要存储球心坐标和半径。
    对于圆柱体模型,我们需要存储圆柱轴的方向向量、圆柱体上一点的坐标以及半径。

    pcl::ModelCoefficients 类提供了一种通用的方式来存储这些模型系数。它内部使用了一个 std::vector 来存储系数值。

  • #include<pcl/sample_consensus/method_types.h> 这个头文件定义了 PCL 中用于随机采样一致性 (SAC) 方法的枚举类型。
    随机采样一致性 (SAC) 是一种在带有异常值的数据集中估计模型参数的方法。PCL 提供了多种 SAC 方法,如 RANSAC、LMEDS、MSAC 和 RRANSAC 等。这些方法在处理含有噪声和异常值的数据时非常有用,特别是在计算机视觉和点云处理领域。

  • #include<pcl/segmentation/sac_segmentation.h>这个头文件提供了 PCL 中用于基于随机采样一致性 (SAC) 方法进行点云分割的类和函数。头文件提供了一个名为 pcl::SACSegmentation 的类,该类实现了基于 SAC 方法的点云分割算法。
    该类提供了以下主要功能:
    设置分割的模型类型:可以使用 setModelType() 函数设置要拟合的模型类型,如平面、圆柱体、球体等。
    设置 SAC 方法的类型:可以使用 setMethodType() 函数设置所使用的 SAC 方法,如 RANSAC、LMEDS 等。
    设置分割参数:可以使用 setDistanceThreshold()、setMaxIterations()、setProbability() 等函数设置分割算法的参数,如距离阈值、最大迭代次数、概率等。
    执行分割:使用 segment() 函数执行点云分割,该函数将点云作为输入,并输出分割结果,包括模型系数和内点索引。

补充内容

  • 15
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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