墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
210平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
CloudCompare&PCL：PCL中常用的一些基础函数
PCL（Point Cloud Library）是一个开源的计算机视觉库，专门用于处理点云数据。它提供了一系列的功能和算法，可以用于点云的获取、滤波、配准、分割、特征提取等各个方面。在本文中，我们将介绍一些PCL中常用的基础函数，并附上相应的源代码。
在PCL中，我们可以使用pcl::io命名空间下的函数来加载和保存点云数据。下面是一个加载PLY格式点云文件并输出点云尺寸的例子：
#include <pcl/io/ply_io.h>
int main ()
{
pcl::CloudCompare和PCL的体元可视化
最后，通过循环显示可视化窗口，直到窗口被关闭。本文介绍了两个流行的点云处理工具CloudCompare和PCL，并提供了它们的体元可视化示例代码。通过使用这些工具，我们可以方便地对点云数据进行体元化、显示和分析，为点云数据处理提供了强大的支持。上述代码与前面的示例代码相似，同样是加载点云数据、创建可视化窗口、设置体元参数、对点云进行体元化，并将体元化后的点云添加到可视化窗口中。在这篇文章中，我们将介绍CloudCompare和PCL两个工具，它们是当前广泛使用的体元可视化工具，并提供相应的源代码示例。
CloudCompare&PCL PCL中的一些基础函数
文章目录1.角度弧度互转2.计算点云质心3.计算协方差矩阵4.去质心化（或去中心化）5.计算夹角6.计算均值协方差7.点云最大最小值8.获取外接圆的半径9.计算均值、标准差、中值10.点到点、线、面的距离参考资料 这里总结一下PCL中经常使用到的一些函数。 注：这里的函数均有重载函数，要根据情况进行使用。 1.角度弧度互转 rad2deg (float alpha) 将角度从弧度转换为角度。 deg2rad (float alpha) 将角度从角度转换为弧度。 这两个函数其实相对简单，自己手动创建
CloudCompare&PCL 边界提取
文章目录一、原理概述 一、原理概述
CloudCompare&PCL 移动立方体算法
文章目录一、原理概述二、PCL中的移动立方体三、实现过程 一、原理概述 简单来说，该算法的基本思想是通过找出所有与等值面相交的体素，在这些基础上再分别找出每个体素与等值面相交的交面，最终将这些交面连在一起即是我们所求的曲面。其大致过程如下所述： （1）首先将点云在空间上进行体素划分，并对每个体素的8个顶点进行分类用以判断体素顶点是位于等值面内还是位于等值面之外。而顶点的分类规则主要有两种情况：1、如果顶点数据值大于等值面则该点位于等值面之内；2、如果顶点数据值小于等值面则该点位于等值面之外。 （2）根
CloudCompare&PCL 点云SVD分解
使用奇异值分解(SVD)估计源点云和目标点云之间的刚性旋转变换。
CloudCompare&PCL KPCS点云粗配准
文章目录一、原理概述二、PCL中的KPCS三、实现过程四、实现效果参考资料 一、原理概述 原始4PCS方法的主要局限性有：（1）它不能很好地处理强变化的点密度；（2）为了保持效率，该算法需要对点云数据必须大量采样，以至于不能保证近似的点对点对应。为了克服这些缺点，KPCS算法选择不对原始点云应用4PCS(随机或定期的下采样版本)，而是用独特的3D关键点集（Harris、DoG等）来表示点云，并在关键点集上运行(略微修改)4PCS。简而言之，KPCS相较于原始算法引入了关键点这一思想，并针对原始算法中点云大
CloudCompare&PCL 文章目录汇总（持续更新...）
文章目录一、CloudCompare基础配置二、点云几何图形三、点云滤波四、可视化五、点云分割六、点云描述子七、点云聚类其他 一、CloudCompare基础配置 CloudCompare之插件式开发 CloudCompare添加窗口（插件式） CloudCompare&PCL添加算法(非插件式，点云DBSCAN聚类算法) CloudCompare 鼠标交互 CloudCompare编译las数据读取插件 二、点云几何图形 CloudCompare&PCL绘制线（凸包算法） PCL学习
CloudCompare&PCL ICP配准（点到面）
CloudCompare&PCL ICP配准（点到面）
CloudCompare&PCL 点云裁剪（基于封闭曲面或多边形）
通过3D封闭曲面或2D封闭多边形来提取该图形的内部或外部点，由ConvexHull或convavehull类生成。
CloudCompare&PCL 点云转深度图像
文章目录一、简介二、PCL中的深度图像三、实现代码四、实现效果参考资料 一、简介 整个过程是一个旋转水平和竖直角度的采样过程，如下图所示（具体内容也可以参考深度图像转点云数据（激光雷达数据）），最终的结果可以通过行号和列号就可以确定俯仰角patch和偏航角yaw的具体数值。具体的计算过程可以阅读代码。 二、PCL中的深度图像 类型为：pcl::RangeImage，相关参数为： void createFromPointCloud (const PointCloudType &point_
CloudCompare&PCL 匹配点采样一致性抑制
CloudCompare&PCL 匹配点采样一致性抑制
CloudCompare&PCL 泊松曲面重建算法
文章目录一、简介 一、简介 这里是引用
CloudCompare&PCL 点云投影至指定平面
文章目录一、简介二、实现过程三、实现效果参考资料 一、简介 之前的文章中介绍过一个点在平面上的投影坐标，其主要的思路就是利用投影垂线与平面法向量平行的特性，通过推导出的投影公式可以很容易的计算出在某点在某一平面内的投影点。因此只需要重复该过程就可以将整个点云投影至我们任意指定的平面，PCL中也实现了相关投影功能，这里我们也实现一下。 二、实现过程 1、在CMakeLists.txt中添加相关的配置，主要就是添加PCL模块（这里采用了非插件式的方式）。具体内容可以详看：CloudCompare&
CloudCompare&PCL FPFH描述子
文章目录一、简介二、PCL中的类型三、实现代码四、实现效果参考资料 一、简介 假设一个点云对象有n个点，那么之前所说的PFH描述子的时间复杂度应为O(nk2)O(nk^2)O(nk2)，其中k是点云中每个点的邻近点。之所以会有这么高的复杂度，这与PFH的计算方式有关，它需要邻近点集进行两两计算。但是这种方式对于一些实时应用而言就显得不是很理想了，因此也就出现了FPFH（快速点特征直方图），该描述子将算法的计算复杂度降低到了O(nk)O(nk)O(nk)，但是仍可以保留PFH大部分的特性。 该特征描述子
CloudCompare&PCL PCA算法
文章目录一、原理概述二、PCL中的PCA类型三、实现代码四、实现效果参考资料 一、原理概述 在现实生活中，我们人类总会存在一种这样的习惯：关注自己所关心的，与此同时会忽略掉自己所不关心的事情。就像看一场足球比赛一样，我们面对的显示屏幕包含了几十万个像素，那么这其中的人或者球只占了其中的一部分，那么我们自然而然的会对我们的屏幕中的像素进行降维处理，只关注其中的人和球的像素就可以了。不过即使仅仅只面对人和球的像素，我们仍然还有很多信息要进行处理，但是正如AI教父Hinton所说的那样：“人也是机器，绝妙的机器
CloudCompare&PCL 内存映射
文章目录一、简介二、相关数据类型三、实现代码四、实现效果参考资料 一、简介 有时候点云数据可能很大（如几个G），但是如果这时我们又想将PCL类型转换为Eigen类型，那么这样对内存的使用会造成很大的压力，因此PCL中也就为我们提供了内存映射这一函数，即在不进行深度复制的情况下完成类型转换，也就是两种不同的数据类型变量共有同一内存空间。 二、相关数据类型 Eigen::Map< PlainObjectType, MapOptions, StrideType > 映射现有数据数组的矩阵或向量
简单说说Python中的pip如何换源
【安装包】：pip install 【升级包】：pip install --upgrade 【卸载包】：pip uninstall 【查看已安装的包】：pip list【搜索包】：pip search （注意：pip search功能在pip 10.0.0之后被弃用，建议使用其他方式搜索包，如访问PyPI官网或使用其他搜索引擎）
rk3588 Android HDMI IN热插拔解决
1、公司在使用 别的厂商的板卡遇到一个问题，开机我们的app自启就会闪退，后来定位发现是camera 的open出错了，这个问题的出现是因为没有插HDMI IN输入的问题导致的,所以需要对HDMI IN的热插拔进行检测，后面我把这个问题也顺利解决了。下面是我的尝试和使用的解决办法。3、话不多说，我用的是读取系统文件实现的，但是这个方法，需要有status文件的系统读权限，可以修改设备下的/vendor/etc/init/hw/init.rk3588.rc文件修改的权限，这个问题交给自己或者厂家协商解决。
汽车电子开发必看：AUTOSAR MCAL层SPI驱动配置全解析（基于EB tresos）
本文深入解析了AUTOSAR MCAL层SPI驱动的核心配置，基于EB tresos工具详细阐述了通道、外部设备、作业与序列等关键概念。重点剖析了多设备共享总线时的资源管理与实时性调优策略，特别是SpiJobPriority参数的决定性影响，并提供了常见配置陷阱的实战排查指南，旨在帮助汽车电子工程师高效完成SPI驱动配置。
用Pixel5玩转AOSP：从零开始定制Android13系统（含GMS集成方案）
本文提供了一份详尽的Pixel 5 AOSP定制指南，涵盖从环境搭建、源码下载、系统编译到刷机的完整流程。重点解决了原生AOSP缺失Google移动服务（GMS）的难题，分享了从官方镜像提取并集成GMS组件的实战方案，助你打造独一无二的Android 13系统。
STM32L452与FPGA通信翻车？手把手教你关闭I2C时钟延展避坑（附OVR错误解决方案）
本文深入解析STM32L452与FPGA在I2C通信中因时钟延展功能导致的常见问题，提供关闭I2C时钟延展的详细配置方法（NOSTRETCH模式），并针对可能出现的OVR错误给出Combined模式解决方案。通过实战案例和波形分析，帮助工程师快速排查和解决嵌入式系统中的I2C兼容性问题。
K-近邻算法： k-nearest neighbor classification (kNN) 详细介绍
@创建于：2020.04.09 @修改于：2020.04.09，2024.06.22 文章目录1、kNN介绍2、k近邻法的三要素详解2.1 距离度量2.2 k值的选择2.3 分类决策规则3、k近邻法的实现：kd树4、Python实现过程5、优缺点6、常见问题 1、kNN介绍 kNN是一个基本而简单的分类算法，作为监督学习，那么KNN模型需要的是有标签的训练数据，对于新样本的类别由与新样本距离最近的k个训练样本点按照分类...
STM32 SPI驱动TFT LCD实战：时序配置与硬件协同
SPI（串行外设接口）是一种高速、全双工、同步串行通信协议，广泛应用于微控制器与显示模组等外设的数据交互。其核心依赖时钟极性（CPOL）与时钟相位（CPHA）组合定义的四种工作模式，直接影响数据采样可靠性；而片选（NSS）与MOSI/SCLK等信号的硬件映射，则决定了多设备共总线下的通信稳定性。在TFT LCD驱动场景中，SPI凭借低开销、高吞吐优势成为主流选择，尤其适配ST7789、ILI9341等集成显示控制器的模块。本文聚焦STM32L系列MCU通过SPI2驱动1.3寸LCD的完整链路，涵盖Mode
Android实现TextToSpeech控件实现语音播报--朗读文字 (附完整源码)
Android实现TextToSpeech控件实现语音播报--朗读文字 (附完整源码)
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
210
扫一扫
