PCL-02-数据格式、k-d-tree和八叉树搜索

最新推荐文章于 2022-05-17 18:22:34 发布
最新推荐文章于 2022-05-17 18:22:34 发布
阅读量259 收藏 3
点赞数
分类专栏： PCL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45348389/article/details/115505568
版权
1. PCD文件格式
# .PCD v.5 - Point Cloud Data file format
VERSION .5
FIELDS x y z
SIZE 4 4 4
TYPE F F F
COUNT 1 1 1
WIDTH 397
HEIGHT 1
POINTS 397
DATA ascii
0.0054216 0.11349 0.040749
-0.0017447 0.11425 0.041273
-0.010661 0.11338 0.040916
0.026422 0.11499 0.032623
0.024545 0.12284 0.024255
0.034137 0.11316 0.02507
  1. VERSION .5 指定PCS文件版本
  2. FIELDS x y z 指定一个点的每一个维度和字段名字，例如
FIELDS x y z # XYZ data
FIELDS x y z rgb # XYZ + colors
FIELDS x y z normal_x normal_y normal_z # XYZ + surface normals
  1. SIZE 4 4 4 指定每一个维度的字节数大小
  2. TYPE F F F 指定每一个维度的类型，I表示int，U表示uint，F表示浮点
  3. COUNT 1 1 1 指定每一个维度包含的元素数，如果没有COUNT，默认都为1
  4. WIDTH 397 点云数据集的宽度
  5. HEIGHT 1 点云数据集的高度
  6. VIEWPOINT 0 0 0 1 0 0 0 指定点云获取的视点和角度，在不同坐标系之间转换时使用（由3个平移+4个四元数构成）
  7. POINTS 397 总共的点数（显得多余）
  8. DATA ascii 存储点云数据的数据类型，ASCII和binary
  9. 还有诸如PLY/STL/OBJ格式的点云文件，可以使用转换工具进行格式转换
pcl_pcl2pcd [-format 0|1] input.ply output.pcd
2. 反序列化/加载(输出)点云数据
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

int
main(int argc, char **argv) {
    // 准备pcl::PointXYZ类型的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    // 将pcd中的数据加载到cloud中
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("./data/bunny.pcd", *cloud) == -1) //* load the file
    {
        PCL_ERROR ("Couldn't read file bunny.pcd \n");
        return (-1);
    }
    std::cout << "Loaded "
              << cloud->width * cloud->height
              << " data points from test_pcd.pcd with the following fields: "
              << 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;

    return (0);
}
3. 序列化(保存)点云数据
rand()   //范围是负无穷到正无穷

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

int
main(int argc, char **argv) {
    pcl::PointCloud<pcl::PointXYZ> cloud;

    // Fill in the cloud data
    cloud.width = 5;
    cloud.height = 1;
    cloud.is_dense = false;
    cloud.points.resize(cloud.width * cloud.height);

    std::cout << rand() << std::endl;
    std::cout << rand() / (RAND_MAX + 1.0f) << std::endl;
    std::cout << 1024 * rand() / (RAND_MAX + 1.0f) << std::endl;

    // 随机生成5个点
    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 = 1024 * rand() / (RAND_MAX + 1.0f);
    }

    pcl::io::savePCDFileASCII("test_pcd.pcd", cloud);
    std::cerr << "Saved " << cloud.points.size() << " data points to test_pcd.pcd." << std::endl;
	//输出点云数据
    for (size_t i = 0; i < cloud.points.size(); ++i)
        std::cerr << "    " << cloud.points[i].x << " " << cloud.points[i].y << " " << cloud.points[i].z << std::endl;

    return (0);
}
4. 点云搜索 kd_tree
srand(time(NULL))   //真随机

有两种搜索方法：

  • 方式一：指定搜索最近的K个邻居
  • 方式二：通过指定半径搜索邻居
// 创建KdTree的实现类KdTreeFLANN (Fast Library for Approximate Nearest Neighbor)
pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
// pcl::search::KdTree<pcl::PointXYZ> kdtree;
// 设置搜索空间，把输入点cloud作为输入
kdtree.setInputCloud(cloud);

int K = 10;
std::vector<int> pointIdxNKNSearch(K);
std::vector<float> pointNKNSquaredDistance(K);
//指定搜索最近的K个邻居
kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance)
//通过指定半径搜索邻居
kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance)

完整示例代码：

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>
//#include <pcl/search/kdtree.h>
//#include <pcl/search/impl/search.hpp>
#include <pcl/visualization/cloud_viewer.h>

int
main(int argc, char **argv) {
    // 用系统时间初始化随机种子
    srand(time(NULL));

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

    // 生成点云数据1000个
    cloud->width = 1000;
    cloud->height = 1;  // 1 表示点云为无序点云
    cloud->points.resize(cloud->width * cloud->height);

    // 给点云填充数据 0 - 1023
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    // 创建KdTree的实现类KdTreeFLANN (Fast Library for Approximate Nearest Neighbor)
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    // pcl::search::KdTree<pcl::PointXYZ> kdtree;
    // 设置搜索空间，把cloud作为输入
    kdtree.setInputCloud(cloud);

    // 初始化一个随机的点，作为查询点
    pcl::PointXYZ searchPoint;
    searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);

    // K nearest neighbor search
    // 方式一：搜索K个最近邻居

    // 创建K和两个向量来保存搜索到的数据
    // K = 10 表示搜索10个临近点
    // pointIdxNKNSearch        保存搜索到的临近点的索引
    // pointNKNSquaredDistance  保存对应临近点的距离的平方
    int K = 10;
    std::vector<int> pointIdxNKNSearch(K);
    std::vector<float> pointNKNSquaredDistance(K);

    std::cout << "K nearest neighbor search at (" << searchPoint.x
              << " " << searchPoint.y
              << " " << searchPoint.z
              << ") with K=" << K << std::endl;

    if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
                      << " " << cloud->points[pointIdxNKNSearch[i]].y
                      << " " << cloud->points[pointIdxNKNSearch[i]].z
                      << " (距离平方: " << pointNKNSquaredDistance[i] << ")" << std::endl;
    }

    // Neighbors within radius search
    // 方式二：通过指定半径搜索
    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    // 创建一个随机[0,256)的半径值
    float radius = 256.0f * rand() / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x
              << " " << searchPoint.y
              << " " << searchPoint.z
              << ") with radius=" << radius << std::endl;


    if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxRadiusSearch[i]].x
                      << " " << cloud->points[pointIdxRadiusSearch[i]].y
                      << " " << cloud->points[pointIdxRadiusSearch[i]].z
                      << " (距离平方:: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.0, 0.0, 0.5);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    // 添加从原点到搜索点的线段
    viewer.addLine(originPoint, searchPoint);
    // 添加一个以搜索点为圆心，搜索半径为半径的球体
    viewer.addSphere(searchPoint, radius, "sphere", 0);
    // 添加一个放到200倍后的坐标系
    viewer.addCoordinateSystem(200);

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}
5. 八叉树方式查看点云文件及搜索点
pcl_octree_viewer bunny.pcd 0.001  //最后一项为分别率，体素大小，决定显示图像的盒子大小

#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>

#include <iostream>
#include <vector>
#include <ctime>
#include <pcl/visualization/cloud_viewer.h>

int
main(int argc, char **argv) {
    srand((unsigned int) time(NULL));

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

    // Generate pointcloud data
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);

    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

//    float resolution = 0.01f;
    // 设置分辨率为128
    float resolution = 128.0f;
    // resolution该参数描述了octree叶子leaf节点的最小体素尺寸。
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    // 设置输入点云
    octree.setInputCloud(cloud);
    // 通过点云构建octree
    octree.addPointsFromInputCloud();

    pcl::PointXYZ searchPoint;

    searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);

    // Neighbors within voxel search
    // 方式一：“体素近邻搜索”,它把查询点所在的体素中所有点的索引作为查询结果返回,
    // 结果以点索引向量的形式保存,因此搜索点和搜索结果之间的距离取决于八叉树的分辨率参数
    std::vector<int> pointIdxVec;

    if (octree.voxelSearch(searchPoint, pointIdxVec)) {
        std::cout << "Neighbors within voxel search at (" << searchPoint.x
                  << " " << searchPoint.y
                  << " " << searchPoint.z << ")"
                  << std::endl;

        for (size_t i = 0; i < pointIdxVec.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxVec[i]].x
                      << " " << cloud->points[pointIdxVec[i]].y
                      << " " << cloud->points[pointIdxVec[i]].z << std::endl;
    }

    // K nearest neighbor search
    // 方式二：K 近邻搜索,本例中K被设置成10, "K 近邻搜索”方法把搜索结果写到两个分开的向量中,
    // 第一个pointIdxNKNSearch 包含搜索结果〈结果点的索引的向量〉
    // 第二个pointNKNSquaredDistance 保存相应的搜索点和近邻之间的距离平方。
    int K = 10;

    std::vector<int> pointIdxNKNSearch;
    std::vector<float> pointNKNSquaredDistance;

    std::cout << "K nearest neighbor search at (" << searchPoint.x
              << " " << searchPoint.y
              << " " << searchPoint.z
              << ") with K=" << K << std::endl;

    if (octree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
                      << " " << cloud->points[pointIdxNKNSearch[i]].y
                      << " " << cloud->points[pointIdxNKNSearch[i]].z
                      << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
    }

    // Neighbors within radius search
    // 方式三：半径内近邻搜索
    // “半径内近邻搜索”原理和“K 近邻搜索”类似,它的搜索结果被写入两个分开的向量中,
    // 这两个向量分别存储结果点的索引和对应的距离平方
    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    float radius = 256.0f * rand() / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x
              << " " << searchPoint.y
              << " " << searchPoint.z
              << ") with radius=" << radius << std::endl;


    if (octree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxRadiusSearch[i]].x
                      << " " << cloud->points[pointIdxRadiusSearch[i]].y
                      << " " << cloud->points[pointIdxRadiusSearch[i]].z
                      << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.0, 0.0, 0.5);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    // 添加从原点到搜索点的线段
    viewer.addLine(originPoint, searchPoint);
    // 添加一个以搜索点为圆心，搜索半径为半径的球体
    viewer.addSphere(searchPoint, radius, "sphere", 0);
    // 添加一个放到200倍后的坐标系
    viewer.addCoordinateSystem(200);

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

}
ShyHG
关注
专栏目录
PCL点云库必备知识点2——pcd点云地图格式的解析
qq_41545537的博客
10-27 458
1 gedit test_pcd.pcd # .PCD v0.7 - Point Cloud Data file format VERSION 0.7 FIELDS x y z SIZE 4 4 4 TYPE F F F COUNT 1 1 1 WIDTH 5 HEIGHT 1 VIEWPOINT 0 0 0 1 0 0 0 POINTS 5 DATA ascii 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 2 格式说明 格式说明 ...
pcl-1.12 pcl-1.12 pcl-1.12 pcl-1.12
06-09
pcl-1.12 pcl-1.12 pcl-1.12 pcl-1.12
open3d八叉树调试
qq_43293326的博客
04-28 383
open3d八叉树调试 import numpy as np import open3d as o3d bunny_pcd = o3d.io.read_point_cloud("cloud_data/bunny.pcd") point = np.asarray(bunny_pcd.points) N = point.shape[0] # 点云随机着色 bunny_pcd.colors = o3d.utility.Vector3dVector(np.random.uniform(0, 1, size=(N
pcl学习记录（1）
m0_50046535的博客
05-17 783
首先上个b站链接，视频先入门 07-PCL教程-基础应用-PCL初识2——pcl_viewer设置背景前景色、点大小、不透明度、坐标轴长度、坐标轴位置_哔哩哔哩_bilibili 1、pcl_viewer操作 pcl_viewer test.pcd 查看某pcd文件 pcl_viewer -multiview 1 ism_test_cat.pcd ism_test_wolf.pcd 多视图窗口显示 2、pcl_pcd_convert_NaN_nan将“NaN”值转换...
pcl点云库学习1（pcl1.8.0+ubuntu18.04）
weixin_40301449的博客
10-06 411
一、点云可视化 1.终端指令：pcl_viewer <filename.pcd> -bc 255.255.255 -fc 255.255.255 -ps 2 -opaque 0.2 -ax 8 -ax_pos 0,0,0 -cam <setfile.cam> //-bc：背景色 ； -fc：前景色（点云颜色）； -ps 点大小(范围0-64）； -opaque：点不透明度（范围0-1）； -ax：显示xyz轴，并设定长度（xyz轴对应红绿蓝三个轴（rgb），符合右手坐标.
【PCL】我是如何从零基础到学会看PCL点云库官方教程的
【人工智障 | 计算鸡视觉 | 机器孩】
08-09 3710
文章目录????官方教程????视频教程【第6集】【第7/8/9集】 pcl_viewer 参数【第10/11集】【第12集】【第14集】【第15集】 ????官方教程 PCL 官方英文教程???? 大佬的学习资料及路线???? ????视频教程 我愿称该系列视频教程为官方教程的教程，手把手告诉你如何看官方教程，很详细，适合小白。 这里放上第1集????： 00-PCL教程-Basic Usage-Using PCL i
PCL-1.12.1-AllInOne-msvc2019-win64.exe
08-02
PCL-1.12.1
python_pcl-0.3.1-cp36-cp36m-win_amd64.whl
08-02
python_pcl-0.3.1-cp36-cp36m-win_amd64.whl
PCL-1.14.1-AllInOne-msvc2022-win64
最新发布
06-13
文件：PCL-1.14.1-AllInOne-msvc2022-win64、pcl-1.14.1-pdb-msvc2022-win64 适用平台：windows 7及其以上,64位操作系统 PCL版本：1.13.1 适配VS版本：VS2022 库版本：x64 DLL 是否包含pdb：包含
八叉树 Octree.cpp
05-23
关于八叉树实现的代码,可创建八叉树，先序遍历八叉树，查看树深度，查找节点
八叉树体素遍历近邻体素搜索
xinxiangwangzhi_的博客
09-02 2421
网上基本上没有关于pcl 八叉树如何寻找相邻体素问题，这个问题也困扰了我很久。网上基本上都是查找某一体素内的近邻点云，而非查找相邻的体素。一个偶然的机会get到了这个技能，特此分享一下。 说明：pcl中octreekey保存了该体素在xyz方向上的索引号，因此可以根据这一特点进行相邻体素查找。pcl是这样说明的：Octree keys contain integer indices for each coordinate axis in order to address an octree leaf nod
PCL使用教程-使用八叉树（Octrees）进行空间分割和搜索操作
DayDayUp
05-25 3508
原文链接：https://pcl.readthedocs.io/projects/tutorials/en/latest/octree.html#octree-search 使用八叉树进行空间划分和搜索操作 八叉树是用于管理稀疏3-D数据的基于树的数据结构。 每个内部节点都有八个子节点。 在本教程中，我们将学习如何使用八叉树在点云数据中进行空间分区和邻域搜索。 特别地，我们说明如何执行“体素内近邻搜索（Neighbors within Voxel Search）”，“ K最近邻搜索（K Neares.
【PCL自学：ocTree】八叉树（octree）的原理及应用案例(点云压缩，搜索，空间变化)
斯坦福的兔子的博客
02-20 2万+
PCL中八叉树（octree）的原理及应用案例一、什么是八叉树ocTree？1.八叉树原理二、八叉树应用案例1.点云压缩2.用八叉树进行空间划分和搜索操作3.无序点云数据的空间变化检测 一、什么是八叉树ocTree？ 1.八叉树原理   上世纪80年代，八叉树结构被提出来，用来表示空间中的区域划分，简单来说，空间可以被分为8个象限，想象一下假设空间中存在一个笛卡尔坐标系，则该坐标系将空间分为了8个象限，每个象限又可以按照这种方式再建立一个笛卡尔坐标系，再划分为8个象限，以此类推，空间中任何一块区域都可以被n
PCL学习八叉树
weixin_34404393的博客
02-27 1160
建立空间索引在点云数据处理中有着广泛的应用，常见的空间索引一般 是自顶而下逐级划分空间的各种空间索引结构，比较有代表性的包括BSP树，KD树，KDB树，R树，四叉树，八叉树等索引结构，而这些结构中，KD树和八叉树使用比较广泛 八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的...
PCL演练（PCL Walkthrough）
了不起的菠萝君的博客
11-11 1089
本教程将引导您完成PCL安装的组件，提供模块的简短说明，指明它们的位置，并列出不同组件之间的交互。 概观 PCL分成许多模块化库，最重要的一组发布的PCL模块如下所示： 过滤器 背景 下图显示了一个噪音消除的例子。由于测量误差，某些数据集呈现大量阴影点。这使局部点云3D特征的估计变得复杂。这些异常值中的一部分可以通过对每个点的邻域进行统计分析，并对不符合特定标准的那些进行修剪。PCL中的稀疏异常...
PCL:八叉树基于octree的空间划分级搜索操作
qq_36418943的博客
10-25 896
建立空间索引在点云数据处理中有着广泛的应用，常见的空间索引一般 是自顶而下逐级划分空间的各种空间索引结构，比较有代表性的包括BSP树，KD树，KDB树，R树，四叉树，八叉树等索引结构，而这些结构中，KD树和八叉树使用比较广泛 八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的...
PCL 八叉树的使用
热门推荐
点云侠的博客
02-27 36万+
PCL中八叉树实现空间搜索、半径搜索、K近邻搜索代码的实现。
【C++】pcl库中的k-d tree和八叉树算法
Zhang_Chen_的博客
09-21 3374
1.计算机图形学中的Mesh(网格)数据结构；2.k-d tree的概念以及在pcl中的应用(快速邻域搜索)；3.八叉树的概念以及在pcl中的应用(空间划分及搜索)
研华PCL-733工控板数字量输入手册
"研华PCL-733是一款工控板，专为数字量输入设计，具备32路带隔离双向输入通道，隔离保护电压高达2500VDC。该板卡支持中断输入，并提供了D型接口，适于高电压隔离的工业应用。其主要特点是具有2500VDC的高电压隔离、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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