前言：最近在做点云的工作，通过资料及其他网页，总结一些比较常用且实用的操作，留给自己查看，同时也希望能给别人带来方便。
１. 两片点云cloudA、cloudB，若在cloudB中找到cloudA的数据点，则从cloudB中删除该点。
#include <pcl/point_cloud.h> //点类型定义头文件
#include <pcl/kdtree/kdtree_flann.h> //kdtree类定义头文件
#include <iostream>
#include <vector>
#include <ctime>
const double eps = 1.0e-6;
int
main(int argc, char** argv)
{
//srand(time(NULL)); //用系统时间初始化随机种子
//创建一个PointCloud<pcl::PointXYZ>
pcl::PointCloud<pcl::PointXYZ>::Ptr cloudA(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloudB(new pcl::PointCloud<pcl::PointXYZ>);
// 随机点云生成
cloudA->width = 20; //此处点云数量
cloudA->height = 1; //表示点云为无序点云
cloudA->points.resize(cloudA->width * cloudA->height);
for (size_t i = 0; i < cloudA->points.size(); ++i) //循环填充点云数据
{
cloudA->points[i].x = i + 1;
cloudA->points[i].y = i + 1;
cloudA->points[i].z = i + 1;
}
cloudB->width = 20; //此处点云数量
cloudB->height = 1; //表示点云为无序点云
cloudB->points.resize(cloudB->width * cloudB->height);
for (size_t i = 0; i < cloudB->points.size(); ++i) //循环填充点云数据
{
cloudB->points[i].x = i + 8;
cloudB->points[i].y = i + 8;
cloudB->points[i].z = i + 8;
}
//cloudBackup->points = cloud->points;
//创建KdTreeFLANN对象，并把创建的点云设置为输入,创建一个searchPoint变量作为查询点
pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
pcl::PointXYZ searchPoint;
int K = 1;
std::vector<int> pointIdxNKNSearch(K); //存储查询点近邻索引
std::vector<float> pointNKNSquaredDistance(K); //存储近邻点对应距离平方
std::vector<pcl::PointXYZ> DeleteData;
int num = 0;
for (auto iterA = cloudA->begin(); iterA != cloudA->end(); iterA++)
{
searchPoint.x = iterA->x;
searchPoint.y = iterA->y;
searchPoint.z = iterA->z;
kdtree.setInputCloud(cloudB); //在cloudB中找到对应点后，在cloudB中直接删除该点
num = kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance);
if (num > 0)
{
if (sqrt(pointNKNSquaredDistance[0])<eps)
{
auto iterB = cloudB->begin() + pointIdxNKNSearch[0];
cloudB->erase(iterB);
DeleteData.push_back(searchPoint);
if (cloudB->size()==0)
{
break;
}
searchPoint.x = 0;
searchPoint.y = 0;
searchPoint.z = 0;
num = 0;
pointIdxNKNSearch.clear();
pointNKNSquaredDistance.clear();
}
}
}
for (auto iter = DeleteData.begin(); iter != DeleteData.end(); iter++)
{
std::cout << iter->x << " " << iter->y << " " << iter->z << std::endl;
}
system("pause");
return 0;
}２．几种常用的操作
（１）保存点云数据
//普通格式ASSIC（占用内存较大）
pcl::PCDWriter writer;
writer.write(s_pcd,laserCloudIn);
//bin格式（占用内存较小）
pcl::io::savePCDFileBinary(s_pcd, *cloud);（２）查找点云在X、Y、Z轴的极值
pcl::PointXYZ minPt, maxPt;
pcl::getMinMax3D (*cloud, minPt, maxPt);（３）知道要保存点的索引，从原点云中拷贝点到新点云
pcl::PointCloud::Ptr cloudOut(new pcl::PointCloud);
std::vector indexs = { 1, 2, 5 };
pcl::copyPointCloud(*cloud, indexs, *cloudOut);（４）从点云里删除和添加点
pcl::PointCloud::iterator index = cloud->begin();
cloud->erase(index);//删除第一个
index = cloud->begin() + 5;
cloud->erase(index);//删除第5个
pcl::PointXYZ point = { 1, 1, 1 };
//在索引号为5的位置上插入一点，之后的所有点后移一位
cloud->insert(cloud->begin() + 5, point);
cloud->push_back(point);//从点云最后面插入一点（５）对点云进行全局或局部变换
//全部
pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1);
//局部
//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。
pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix);（６）链接两个点云字段（两点云大小必须相同）
pcl::PointCloud::Ptr cloud_with_nomal (new pcl::PointCloud);
pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);（７）从点云中删除无效点
vector indices;
pcl::removeNaNFromPointCloud(*cloud,*output,indices);（８）计算质心
Eigen::Vector4f centroid;//质心
pcl::compute3DCentroid(*cloud_smoothed,centroid); //估计质心的坐标（９）计算点云的法向量
pcl::NormalEstimation ne;
pcl::PointCloud::Ptr pcNormal(new pcl::PointCloud);
pcl::search::KdTree::Ptr tree(new pcl::search::KdTree);
tree->setInputCloud(inCloud);
ne.setInputCloud(inCloud);
ne.setSearchMethod(tree);
ne.setKSearch(50);
//ne->setRadiusSearch (0.03);
ne.compute(*pcNormal);（１０）提取点云的边界
pcl::PointCloud boundaries; //保存边界估计结果pcl::BoundaryEstimation boundEst; //定义一个进行边界特征估计的对象
pcl::NormalEstimation normEst; //定义一个法线估计的对象
pcl::PointCloud::Ptr normals(new pcl::PointCloud); //保存法线估计的结果
pcl::PointCloud::Ptr cloud_boundary (new pcl::PointCloud);
normEst.setInputCloud(pcl::PointCloud::Ptr(cloud));
normEst.setRadiusSearch(reforn); //设置法线估计的半径
normEst.compute(*normals); //将法线估计结果保存至normals
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
boundEst.setAngleThreshold(M_PI/4); //边界估计时的角度阈值
boundEst.setSearchMethod(pcl::search::KdTree::Ptr (new pcl::search::KdTree)); //设置搜索方式KdTree
boundEst.compute(boundaries); //将边界估计结果保存在boundaries（１１）k近邻和半径搜索
pcl::KdTreeFLANNkdtree; //创建kdtree搜索对象
kdtree.setInputCloud(cloud); //载入点云
pcl::PointXYZ searchPoint; //设置查询点并赋随机值
//K近邻搜索
int K = 10; //搜索最近邻的点数
vectorpointIdxNKNSearch(K); //存放最近邻点的索引
vectorpointNKNSquaredDistance(K);//对应的距离平方
kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance)
//半径内搜索
std::vector pointIdxRadiusSearch;
std::vector pointRadiusSquaredDistance;
float radius; //定义搜索半径
kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance);（１２）添加新的点云类
//有自定义点云类型时要加入该头文件才能使用PCL库模板函数
#include
//运用相应的函数需加入以下相应头文件
//如：直通滤波器
#include
//定义一个新的点云类
struct PointXYZIR
{
PCL_ADD_POINT4D
float intensity;
uint16_t ring; ///< laser ring number
EIGEN_MAKE_ALIGNED_OPERATOR_NEW //确保new操作符对齐
} EIGEN_ALIGN16; //强制SSE对齐
POINT_CLOUD_REGISTER_POINT_STRUCT(PointXYZIR, (float, x, x)(float, y, y)(float, z, z)(float, intensity, intensity)(uint16_t, ring, ring))３. 几种点云常用的滤波器
（１）直通滤波器
// 创建滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud (cloud);
pass.setFilterFieldName ("z");
pass.setFilterLimits (0.0, 1.0);
//pass.setFilterLimitsNegative (true);
pass.filter (*cloud_filtered);（２）VoxelGrid滤波器
创建三维体素栅格，将体素栅格内所有点的重心代替体素中其他点，实现下采样。
// 创建滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.01f, 0.01f, 0.01f);
sor.filter(*cloud_filtered); （３）StatisticalOutlireRemoval滤波器
对每一个点的近邻进行一个统计分析，计算点到近邻点的距离，计算所有近邻点的平均距离，平均距离在标准范围之外的点被视为离群点
// 创建滤波器对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud (cloud);
sor.setMeanK (50);
sor.setStddevMulThresh (1.0);
sor.filter (*cloud_filtered);（４）使用参数化模型投影点云
基于对模型的结构和尺寸等信息，选择特殊模型，如：球等，设置参数进行滤波。
首先，填充ModelCoefficients的值，该例中使用X-Y平面
//创建一个系数为（0,0,1,0）的平面
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients());
coefficients->values.resize(4);
coefficients->values[0] = coefficients->values[1] = 0;
coefficients->values[2] = 1.0;
coefficients->values[3] = 0;然后，创建ProjectInliers对象，使用ModelCoefficients作为投影对象的模型参数
//创建滤波器对象
pcl::ProjectInliers<pcl::PointXYZ>proj;
proj.setModelType(pcl::SACMODEL_PLANE);
proj.setInputCloud(cloud);
proj.setModelCoefficients(coefficients);
proj.filter(*cloud_projected);（５）ExtractIndices滤波器
基于某一分割算法提取点云的一个子集
首先，使用VoxelGrid滤波器对数据下采样，加快处理速度
// 创建滤波器对象:使用叶大小为1cm的下采样
pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
sor.setInputCloud(cloud_blob);
sor.setLeafSize(0.01f, 0.01f, 0.01f);
sor.filter(*cloud_filtered_blob);接着，参数化分割
然后，设置extraction filter实际参数
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
seg.setOptimizeCoefficients(true);
// 必选
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(1000);
seg.setDistanceThreshold(0.01);
// 创建滤波器对象
pcl::ExtractIndices<pcl::PointXYZ> extract;
int i = 0, nr_points = (int)cloud_filtered->points.size();
// 当还有30%原始点云数据时
while (cloud_filtered->points.size() > 0.3 * nr_points)
{
// 从余下的点云中分割最大平面组成部分
seg.setInputCloud(cloud_filtered);
seg.segment(*inliers, *coefficients);
if (inliers->indices.size() == 0)
{
std::cerr << "Could not estimate a planar model for the given dataset." << std::endl;
break;
}
// 分离内层
extract.setInputCloud(cloud_filtered);
extract.setIndices(inliers);
extract.setNegative(false);
extract.filter(*cloud_p);
std::cerr << "PointCloud representing the planar component: " << cloud_p->width * cloud_p->height << " data points." << std::endl;
std::stringstream ss;
ss << "table_scene_lms400_plane_" << i << ".pcd";
writer.write<pcl::PointXYZ>(ss.str(), *cloud_p, false);
// 创建滤波器对象
extract.setNegative(true);
extract.filter(*cloud_f);
cloud_filtered.swap(cloud_f);
i++;
}需要将sensor_msgs::PointCloud2::Ptr改为pcl::PCLPointCloud2::Ptr；pcl::fromROSMsg()改为pcl::fromPCLPointCloud2()；
（６）ConditionalRemoval或RadiusOutlierRemoval类
ConditionalRemoval滤波器可以删除设定的一个或多个条件指标的所有数据点；
首先，创建条件限定对象，为限定对象添加比较算子，创建滤波器并用条件定义对象初始化，
// 创建环境
pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new
pcl::ConditionAnd<pcl::PointXYZ>());
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new
pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::GT, 0.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new
pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::LT, 0.8)));
// 创建滤波器
pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond);
condrem.setInputCloud(cloud);
condrem.setKeepOrganized(true);
// 应用滤波
condrem.filter(*cloud_filtered);然后，RadiusOutlinerRemoval滤波器删除搜索半径内不满足设定的近邻点数，可用于移除离群点。
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
// 创建滤波器
outrem.setInputCloud(cloud);
outrem.setRadiusSearch(0.8); // 设置搜索半径
outrem.setMinNeighborsInRadius(2); // 设置查询点的近邻点数
// 应用滤波器
outrem.filter(*cloud_filtered);（７）CropHull滤波器
获取2D封闭多边形内部或者外部的点云
首先，设置2D封闭多边形顶点；
然后，使用ConvexHull类构造2D凸包；
最后，创建Crophull对象，滤波获取凸包范围内的点云。
pcl::PointCloud<pcl::PointXYZ>::Ptr boundingbox_ptr(new pcl::PointCloud<pcl::PointXYZ>);
boundingbox_ptr->push_back(pcl::PointXYZ(0.1, 0.1, 0));
boundingbox_ptr->push_back(pcl::PointXYZ(0.1, -0.1, 0));
boundingbox_ptr->push_back(pcl::PointXYZ(-0.1, 0.1, 0));
boundingbox_ptr->push_back(pcl::PointXYZ(-0.1, -0.1, 0));
boundingbox_ptr->push_back(pcl::PointXYZ(0.15, 0.1, 0));
pcl::ConvexHull<pcl::PointXYZ> hull;
hull.setInputCloud(boundingbox_ptr);
hull.setDimension(2);
std::vector<pcl::Vertices> polygons;
pcl::PointCloud<pcl::PointXYZ>::Ptr surface_hull(new pcl::PointCloud<pcl::PointXYZ>);
hull.reconstruct(*surface_hull, polygons);
pcl::PointCloud<pcl::PointXYZ>::Ptr objects(new pcl::PointCloud<pcl::PointXYZ>);
pcl::CropHull<pcl::PointXYZ> bb_filter;
bb_filter.setDim(2);
bb_filter.setInputCloud(cloud);
bb_filter.setHullIndices(polygons);
bb_filter.setHullCloud(surface_hull);
bb_filter.filter(*objects);
参考：
评论（0）
您还未登录，请登录后发表或查看评论