前言：最近在做點雲的工作，通過資料及其他網頁，總結一些比較常用且實用的操作，留給自己查看，同時也希望能給別人帶來方便。
１. 兩片點雲cloudA、cloudB，若在cloudB中找到cloudA的數據點，則從cloudB中刪除該點。
#include <pcl/point_cloud.h> //點類型定義頭文件 #include <pcl/kdtree/kdtree_flann.h> //kdtree類定義頭文件 #include <iostream> #include <vector> #include <ctime> const double eps = 1.0e-6; int main(int argc, char** argv) { //srand(time(NULL)); //用系統時間初始化隨機種子 //創建一個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>); // 隨機點雲生成 cloudA->width = 20; //此處點雲數量 cloudA->height = 1; //表示點雲為無序點雲 cloudA->points.resize(cloudA->width * cloudA->height); for (size_t i = 0; i < cloudA->points.size(); ++i) //循環填充點雲數據 { cloudA->points[i].x = i + 1; cloudA->points[i].y = i + 1; cloudA->points[i].z = i + 1; } cloudB->width = 20; //此處點雲數量 cloudB->height = 1; //表示點雲為無序點雲 cloudB->points.resize(cloudB->width * cloudB->height); for (size_t i = 0; i < cloudB->points.size(); ++i) //循環填充點雲數據 { cloudB->points[i].x = i + 8; cloudB->points[i].y = i + 8; cloudB->points[i].z = i + 8; } //cloudBackup->points = cloud->points; //創建KdTreeFLANN對象，並把創建的點雲設置為輸入,創建一個searchPoint變量作為查詢點 pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; pcl::PointXYZ searchPoint; int K = 1; std::vector<int> pointIdxNKNSearch(K); //存儲查詢點近鄰索引 std::vector<float> pointNKNSquaredDistance(K); //存儲近鄰點對應距離平方 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中找到對應點后，在cloudB中直接刪除該點 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．幾種常用的操作
（１）保存點雲數據
//普通格式ASSIC（占用內存較大） pcl::PCDWriter writer; writer.write(s_pcd,laserCloudIn); //bin格式（占用內存較小） pcl::io::savePCDFileBinary(s_pcd, *cloud);
（２）查找點雲在X、Y、Z軸的極值
pcl::PointXYZ minPt, maxPt;
pcl::getMinMax3D (*cloud, minPt, maxPt);
（３）知道要保存點的索引，從原點雲中拷貝點到新點雲
pcl::PointCloud::Ptr cloudOut(new pcl::PointCloud); std::vector indexs = { 1, 2, 5 }; pcl::copyPointCloud(*cloud, indexs, *cloudOut);
（４）從點雲里刪除和添加點
pcl::PointCloud::iterator index = cloud->begin(); cloud->erase(index);//刪除第一個 index = cloud->begin() + 5; cloud->erase(index);//刪除第5個 pcl::PointXYZ point = { 1, 1, 1 }; //在索引號為5的位置上插入一點，之后的所有點后移一位 cloud->insert(cloud->begin() + 5, point); cloud->push_back(point);//從點雲最后面插入一點
（５）對點雲進行全局或局部變換
//全部 pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1); //局部 //第一個參數為輸入，第二個參數為輸入點雲中部分點集索引，第三個為存儲對象，第四個是變換矩陣。 pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix);
（６）鏈接兩個點雲字段（兩點雲大小必須相同）
pcl::PointCloud::Ptr cloud_with_nomal (new pcl::PointCloud); pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);
（７）從點雲中刪除無效點
vector indices;
pcl::removeNaNFromPointCloud(*cloud,*output,indices);
（８）計算質心
Eigen::Vector4f centroid;//質心 pcl::compute3DCentroid(*cloud_smoothed,centroid); //估計質心的坐標
（９）計算點雲的法向量
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）提取點雲的邊界
pcl::PointCloud boundaries; //保存邊界估計結果pcl::BoundaryEstimation boundEst; //定義一個進行邊界特征估計的對象 pcl::NormalEstimation normEst; //定義一個法線估計的對象 pcl::PointCloud::Ptr normals(new pcl::PointCloud); //保存法線估計的結果 pcl::PointCloud::Ptr cloud_boundary (new pcl::PointCloud); normEst.setInputCloud(pcl::PointCloud::Ptr(cloud)); normEst.setRadiusSearch(reforn); //設置法線估計的半徑 normEst.compute(*normals); //將法線估計結果保存至normals boundEst.setInputCloud(cloud); //設置輸入的點雲 boundEst.setInputNormals(normals); //設置邊界估計的法線，因為邊界估計依賴於法線 boundEst.setRadiusSearch(re); //設置邊界估計所需要的半徑 boundEst.setAngleThreshold(M_PI/4); //邊界估計時的角度閾值 boundEst.setSearchMethod(pcl::search::KdTree::Ptr (new pcl::search::KdTree)); //設置搜索方式KdTree boundEst.compute(boundaries); //將邊界估計結果保存在boundaries
（１１）k近鄰和半徑搜索
pcl::KdTreeFLANNkdtree; //創建kdtree搜索對象 kdtree.setInputCloud(cloud); //載入點雲 pcl::PointXYZ searchPoint; //設置查詢點並賦隨機值 //K近鄰搜索 int K = 10; //搜索最近鄰的點數 vectorpointIdxNKNSearch(K); //存放最近鄰點的索引 vectorpointNKNSquaredDistance(K);//對應的距離平方 kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) //半徑內搜索 std::vector pointIdxRadiusSearch; std::vector pointRadiusSquaredDistance; float radius; //定義搜索半徑 kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance);
（１２）添加新的點雲類
//有自定義點雲類型時要加入該頭文件才能使用PCL庫模板函數 #include //運用相應的函數需加入以下相應頭文件 //如：直通濾波器 #include //定義一個新的點雲類 struct PointXYZIR { PCL_ADD_POINT4D float intensity; uint16_t ring; ///< laser ring number EIGEN_MAKE_ALIGNED_OPERATOR_NEW //確保new操作符對齊 } EIGEN_ALIGN16; //強制SSE對齊 POINT_CLOUD_REGISTER_POINT_STRUCT(PointXYZIR, (float, x, x)(float, y, y)(float, z, z)(float, intensity, intensity)(uint16_t, ring, ring))
３. 幾種點雲常用的濾波器
（１）直通濾波器
// 創建濾波器對象 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濾波器
創建三維體素柵格，將體素柵格內所有點的重心代替體素中其他點，實現下采樣。
// 創建濾波器對象 pcl::VoxelGrid<pcl::PointXYZ> sor; sor.setInputCloud(cloud); sor.setLeafSize(0.01f, 0.01f, 0.01f); sor.filter(*cloud_filtered);
（３）StatisticalOutlireRemoval濾波器
對每一個點的近鄰進行一個統計分析，計算點到近鄰點的距離，計算所有近鄰點的平均距離，平均距離在標准范圍之外的點被視為離群點
// 創建濾波器對象 pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; sor.setInputCloud (cloud); sor.setMeanK (50); sor.setStddevMulThresh (1.0); sor.filter (*cloud_filtered);
（４）使用參數化模型投影點雲
基於對模型的結構和尺寸等信息，選擇特殊模型，如：球等，設置參數進行濾波。
首先，填充ModelCoefficients的值，該例中使用X-Y平面
//創建一個系數為（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，創建ProjectInliers對象，使用ModelCoefficients作為投影對象的模型參數
//創建濾波器對象 pcl::ProjectInliers<pcl::PointXYZ>proj; proj.setModelType(pcl::SACMODEL_PLANE); proj.setInputCloud(cloud); proj.setModelCoefficients(coefficients); proj.filter(*cloud_projected);
（５）ExtractIndices濾波器
基於某一分割算法提取點雲的一個子集
首先，使用VoxelGrid濾波器對數據下采樣，加快處理速度
// 創建濾波器對象:使用葉大小為1cm的下采樣 pcl::VoxelGrid<pcl::PCLPointCloud2> sor; sor.setInputCloud(cloud_blob); sor.setLeafSize(0.01f, 0.01f, 0.01f); sor.filter(*cloud_filtered_blob);
接着，參數化分割
然后，設置extraction filter實際參數
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients()); pcl::PointIndices::Ptr inliers(new pcl::PointIndices()); // 創建分割對象 pcl::SACSegmentation<pcl::PointXYZ> seg; // 可選 seg.setOptimizeCoefficients(true); // 必選 seg.setModelType(pcl::SACMODEL_PLANE); seg.setMethodType(pcl::SAC_RANSAC); seg.setMaxIterations(1000); seg.setDistanceThreshold(0.01); // 創建濾波器對象 pcl::ExtractIndices<pcl::PointXYZ> extract; int i = 0, nr_points = (int)cloud_filtered->points.size(); // 當還有30%原始點雲數據時 while (cloud_filtered->points.size() > 0.3 * nr_points) { // 從余下的點雲中分割最大平面組成部分 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; } // 分離內層 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); // 創建濾波器對象 extract.setNegative(true); extract.filter(*cloud_f); cloud_filtered.swap(cloud_f); i++; }
需要將sensor_msgs::PointCloud2::Ptr改為pcl::PCLPointCloud2::Ptr；pcl::fromROSMsg()改為pcl::fromPCLPointCloud2()；
（６）ConditionalRemoval或RadiusOutlierRemoval類
ConditionalRemoval濾波器可以刪除設定的一個或多個條件指標的所有數據點；
首先，創建條件限定對象，為限定對象添加比較算子，創建濾波器並用條件定義對象初始化，
// 創建環境 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))); // 創建濾波器 pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond); condrem.setInputCloud(cloud); condrem.setKeepOrganized(true); // 應用濾波 condrem.filter(*cloud_filtered);
然后，RadiusOutlinerRemoval濾波器刪除搜索半徑內不滿足設定的近鄰點數，可用於移除離群點。
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem; // 創建濾波器 outrem.setInputCloud(cloud); outrem.setRadiusSearch(0.8); // 設置搜索半徑 outrem.setMinNeighborsInRadius(2); // 設置查詢點的近鄰點數 // 應用濾波器 outrem.filter(*cloud_filtered);
（７）CropHull濾波器
獲取2D封閉多邊形內部或者外部的點雲
首先，設置2D封閉多邊形頂點；
然后，使用ConvexHull類構造2D凸包；
最后，創建Crophull對象，濾波獲取凸包范圍內的點雲。
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);
參考：