PCL 知識點彙總

時間計算
pcl中計算程序運行時間有很多函數，其中利用控制檯的時間計算是：
首先必須包含頭文件 #include <pcl/console/time.h>，其次，pcl::console::TicToc time; time.tic(); +程序段 + cout<<time.toc()/1000<<“s”<<endl;就可以以秒輸出“程序段”的運行時間。

如何實現類似pcl::PointCloud::Ptr和pcl::PointCloud的兩個類相互轉換？
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>

pcl::PointCloudpcl::PointXYZ::Ptr cloudPointer(new pcl::PointCloudpcl::PointXYZ);
pcl::PointCloudpcl::PointXYZ cloud;
cloud = *cloudPointer;
cloudPointer = cloud.makeShared();
如何查找點雲的x，y，z的極值？
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/common.h>
pcl::PointCloudpcl::PointXYZ::Ptr cloud;
cloud = pcl::PointCloudpcl::PointXYZ::Ptr (new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFilepcl::PointXYZ (“your_pcd_file.pcd”, *cloud);
pcl::PointXYZ minPt, maxPt;
pcl::getMinMax3D (*cloud, minPt, maxPt);
如果知道需要保存點的索引，如何從原點雲中拷貝點到新點雲？
#include <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>

pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFilepcl::PointXYZ(“C:\office3-after21111.pcd”, *cloud);
pcl::PointCloudpcl::PointXYZ::Ptr cloudOut(new pcl::PointCloudpcl::PointXYZ);
std::vector indexs = { 1, 2, 5 };
pcl::copyPointCloud(*cloud, indexs, *cloudOut);
如何從點雲裏刪除和添加點？
#include <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>

pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFilepcl::PointXYZ(“C:\office3-after21111.pcd”, *cloud);
pcl::PointCloudpcl::PointXYZ::iterator index = cloud->begin();
cloud->erase(index);//刪除第一個
index = cloud->begin() + 5;
cloud->erase(cloud->begin());//刪除第5個
pcl::PointXYZ point = { 1, 1, 1 };
//在索引號爲5的位置1上插入一點，原來的點後移一位
cloud->insert(cloud->begin() + 5, point);
cloud->push_back(point);//從點雲最後面插入一點
std::cout << cloud->points[5].x;//輸出1
如果刪除的點太多建議用上面的方法拷貝到新點雲，再賦值給原點雲，如果要添加很多點，建議先resize，然後用循環向點雲裏的添加。

如何對點雲進行全局或局部變換
#include <pcl/io/pcd_io.h>
#include <pcl/common/impl/io.hpp>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/common/transforms.h>
pcl::PointCloudpcl::PointXYZ::Ptr cloud (new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFile(“path/.pcd”,*cloud);
//全局變化
//構造變化矩陣
Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();
float theta = M_PI/4; //旋轉的度數，這裏是45度
transform_1 (0,0) = cos (theta); //這裏是繞的Z軸旋轉
transform_1 (0,1) = -sin(theta);
transform_1 (1,0) = sin (theta);
transform_1 (1,1) = cos (theta);
// transform_1 (0,2) = 0.3; //這樣會產生縮放效果
// transform_1 (1,2) = 0.6;
// transform_1 (2,2) = 1;
transform_1 (0,3) = 25; //這裏沿X軸平移
transform_1 (1,3) = 30;
transform_1 (2,3) = 380;
pcl::PointCloudpcl::PointXYZ::Ptr transform_cloud1 (new pcl::PointCloudpcl::PointXYZ);
pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1); //不言而喻

    //局部
    pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix); //第一個參數爲輸入，第二個參數爲輸入點雲中部分點集索引，第三個爲存儲對象，第四個是變換矩陣。

鏈接兩個點雲字段（兩點雲大小必須相同）
pcl::PointCloudpcl::PointXYZ::Ptr cloud (new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFile("/home/yxg/pcl/pcd/mid.pcd",*cloud);
pcl::NormalEstimationpcl::PointXYZ,pcl::Normal ne;
ne.setInputCloud(cloud);
pcl::search::KdTreepcl::PointXYZ::Ptr tree (new pcl::search::KdTreepcl::PointXYZ());
ne.setSearchMethod(tree);
pcl::PointCloudpcl::Normal::Ptr cloud_normals(new pcl::PointCloudpcl::Normal());
ne.setKSearch(8);
//ne.setRadisuSearch(0.3);
ne.compute(*cloud_normals);
pcl::PointCloudpcl::PointNormal::Ptr cloud_with_nomal (new pcl::PointCloudpcl::PointNormal);
pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);
如何從點雲中刪除無效點
pcl中的無效點是指：點的某一座標值爲nan.

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/filters/filter.h>
#include <pcl/io/pcd_io.h>

using namespace std;
typedef pcl::PointXYZRGBA point;
typedef pcl::PointCloud<point> CloudType;

int main (int argc,char **argv)
{
        CloudType::Ptr cloud (new CloudType);
        CloudType::Ptr output (new CloudType);

        
        pcl::io::loadPCDFile(argv[1],*cloud);
        cout<<"size is:"<<cloud->size()<<endl;
        
        
        vector<int> indices;
        pcl::removeNaNFromPointCloud(*cloud,*output,indices);
        cout<<"output size:"<<output->size()<<endl;
        

        pcl::io::savePCDFile("out.pcd",*output);

        return 0;
}

將xyzrgb格式轉換爲xyz格式的點雲
#include <pcl/io/pcd_io.h>
#include
#include <Eigen/Core>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>

using namespace std;
typedef pcl::PointXYZ point;
typedef pcl::PointXYZRGBA pointcolor;

int main(int argc,char **argv)
{
pcl::PointCloud::Ptr input (new pcl::PointCloud);
pcl::io::loadPCDFile(argv[1],*input);

    pcl::PointCloud<point>::Ptr output (new pcl::PointCloud<point>);
    int M = input->points.size();
    cout<<"input size is:"<<M<<endl;

    for (int i = 0;i <M;i++)
    {
            point p;
            p.x = input->points[i].x;
            p.y = input->points[i].y;
            p.z = input->points[i].z; 
            output->points.push_back(p);
    }
    output->width = 1;
    output->height = M;
    
    cout<< "size is"<<output->size()<<endl;
    pcl::io::savePCDFile("output.pcd",*output);

}
flann kdtree 查詢k近鄰
//平均密度計算
pcl::KdTreeFLANNpcl::PointXYZ kdtree; //創建一個快速k近鄰查詢,查詢的時候若該點在點雲中，則第一個近鄰點是其本身
kdtree.setInputCloud(cloud);
int k =2;
float everagedistance =0;
for (int i =0; i < cloud->size()/2;i++)
{
vector nnh ;
vector squaredistance;
// pcl::PointXYZ p;
// p = cloud->points[i];
kdtree.nearestKSearch(cloud->points[i],k,nnh,squaredistance);
everagedistance += sqrt(squaredistance[1]);
// cout<<everagedistance<<endl;
}

    everagedistance = everagedistance/(cloud->size()/2);
    cout<<"everage distance is : "<<everagedistance<<endl;

#include <pcl/kdtree/kdtree_flann.h>
pcl::KdTreeFLANNpcl::PointXYZ kdtree; //創建KDtree
kdtree.setInputCloud (in_cloud);
pcl::PointXYZ searchPoint; //創建目標點，（搜索該點的近鄰）
searchPoint.x = 1;
searchPoint.y = 2;
searchPoint.z = 3;

    //查詢近鄰點的個數
    int k = 10; //近鄰點的個數
    std::vector<int> pointIdxNKNSearch(k); //存儲近鄰點集的索引
    std::vector<float>pointNKNSquareDistance(k); //近鄰點集的距離
    if (kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquareDistance)>0)
    {
            for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)
                    std::cout << "    "  <<   in_cloud->points[ pointIdxNKNSearch[i] ].x 
                              << " " << in_cloud->points[ pointIdxNKNSearch[i] ].y 
                              << " " <<in_cloud->points[ pointIdxNKNSearch[i] ].z 
                              << " (squared distance: " <<pointNKNSquareDistance[i] << ")" << std::endl;
    }

    //半徑爲r的近鄰點
    float radius = 40.0f;  //其實是求的40*40距離範圍內的點
    std::vector<int> pointIdxRadiusSearch;  //存儲的對應的平方距離
    std::vector<float> a;
    if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, a) > 0 )
    {
      for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
              std::cout << "    "  <<   in_cloud->points[ pointIdxRadiusSearch[i] ].x 
                        << " " <<in_cloud->points[ pointIdxRadiusSearch[i] ].y 
                        << " " << in_cloud->points[ pointIdxRadiusSearch[i] ].z 
                        << " (squared distance: " <<a[i] << ")" << std::endl;
    }

關於ply文件
後綴命名爲.ply格式文件，常用的點雲數據文件。ply文件不僅可以存儲點數據，而且可以存儲網格數據. 用emacs打開一個ply文件，觀察表頭，如果表頭element face的值爲0,ze則表示該文件爲點雲文件，如果element face的值爲某一正整數N，則表示該文件爲網格文件，且包含N個網格.
所以利用pcl讀取 ply 文件，不能一味用pcl::PointCloud::Ptr cloud (new pcl::PointCloud)來讀取。
在讀取ply文件時候，首先要分清該文件是點雲還是網格類文件。如果是點雲文件，則按照一般的點雲類去讀取即可，官網例子,就是這樣。
如果ply文件是網格類，則需要

pcl::PolygonMesh mesh;
pcl::io::loadPLYFile(argv[1],mesh);
pcl::io::savePLYFile("result.ply", mesh);

讀取。（官網例子之所以能成功，是因爲它對模型進行了細分處理，使得網格變成了點）

計算點的索引
例如sift算法中，pcl無法直接提供索引（主要原因是sift點是通過計算出來的，在某些不同參數下，sift點可能並非源數據中的點，而是某些點的近似），若要獲取索引，則可利用以下函數：

void getIndices (pointcloud::Ptr cloudin, pointcloud keypoints, pcl::PointIndices::Ptr indices)
{
pcl::KdTreeFLANNpcl::PointXYZ kdtree;
kdtree.setInputCloud(cloudin);
std::vectorpointNKNSquareDistance; //近鄰點集的距離
std::vector pointIdxNKNSearch;

    for (size_t i =0; i < keypoints.size();i++)
    {
            kdtree.nearestKSearch(keypoints.points[i],1,pointIdxNKNSearch,pointNKNSquareDistance);
            // cout<<"the distance is:"<<pointNKNSquareDistance[0]<<endl;
            // cout<<"the indieces is:"<<pointIdxNKNSearch[0]<<endl;
            
            indices->indices.push_back(pointIdxNKNSearch[0]);
            
    }

}
其思想就是：將原始數據插入到flann的kdtree中，尋找keypoints的最近鄰，如果距離等於0,則說明是同一點，提取索引即可.

計算質心
Eigen::Vector4f centroid; //質心
pcl::compute3DCentroid(*cloud_smoothed,centroid); //估計質心的座標
從網格提取頂點（將網格轉化爲點）
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/obj_io.h>
#include <pcl/PolygonMesh.h>
#include <pcl/point_cloud.h>
#include <pcl/io/vtk_lib_io.h>//loadPolygonFileOBJ所屬頭文件；
#include <pcl/io/vtk_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/point_types.h>
using namespace pcl;
int main(int argc,char **argv)
{
pcl::PolygonMesh mesh;
// pcl::io::loadPolygonFileOBJ(argv[1], mesh);
pcl::io::loadPLYFile(argv[1],mesh);
pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
pcl::fromPCLPointCloud2(mesh.cloud, *cloud);
pcl::io::savePCDFileASCII(“result.pcd”, *cloud);
return 0;
}
以上代碼可以從.obj或.ply面片格式轉化爲點雲類型。