PCL提取3D点云模型特征（1.0 点云曲率）

最新推荐文章于 2025-08-16 15:39:22 发布

原创最新推荐文章于 2025-08-16 15:39:22 发布 · 9.5k 阅读

68 ·

CC 4.0 BY-SA版权

文章标签：

#PCL特征提取 #Feature Extraction #计算曲率

计算机图形学专栏收录该内容

34 篇文章

订阅专栏

本文介绍如何使用PCL库计算点云的曲率并进行特征提取，详细讲解了NormalEstimation类的使用方法，包括设置输入点云、初始化邻域搜索、设置搜索方法等步骤。并通过代码示例展示了如何根据曲率值对点云进行着色，最后保存为PLY文件。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、随便扯扯的概述

在进入到计算机图形学的研究中已经过去了好几个月了，自然免不了要跟PCL打交道。在学习PCL的过程中，越来越觉得PCL真的是个非常强大的工具，让人爱不释手，但同时也让人感到沮丧，因为你会发现，你有的想去实现的想法PCL里面都早就实现了，并且效果还非常好。这里就我在学习提取点云特征的过程中遇到的一个PCL里面的一个非常简单并且基本的特征提取方法（利用PCL中的曲率计算）做个简要的记录。

如果需要配置PCL，请看我https://blog.youkuaiyun.com/McQueen_LT/article/details/84792197这篇文章。

二、计算点云曲率（法线）的具体步骤

PCL中有一个计算点云法线的类叫做NormalEstimation，使用方法就是：

1. 利用setInputCloud()方法输入需要进行法线估计的点云;

2. 初始化一个邻域搜索的方式，例如KdTree;

3. 使用setSearchMethod()设置搜索方式；

4. 声明一个用来存储计算结果的Normal类点云；

5. 通过setRadiusSearch()设置搜索邻域的半径；

6. 将第4步声明的变量传入compute()函数存储计算结果。

三、了解 pcl::PointCloud<pcl::Normal>::Ptr 数据结构

在二中最终计算的结果就存储在这个类型的数据结构中，在后面的利用曲率提取特征的过程中我们会利用到这个数据结构中的curvature元素。要找到这个元素也不是特别明显就能发现的，可以通过阅读PCL的相关源码http://docs.pointclouds.org/trunk/point__types_8hpp_source.html就能很清楚其中的内部结构。

这个结构中一共有四个元素，前三个元素分别为normal_x，normal_y，normal_z，可以清楚地知道分别就是法线的向量了，还有一个就是curvature元素，表示当前点的曲率。

四、提取特征（代码）

后面的过程更简单，我就直接贴出完整的代码。

#include <pcl/point_types.h>
#include <pcl/features/pfh.h>
#include <pcl/features/fpfh.h>
#include <pcl/io/ply_io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/histogram_visualizer.h>
#include <pcl/visualization/pcl_plotter.h>
#include <pcl/visualization/cloud_viewer.h>
#include <math.h>
#include <Eigen/Eigen>
#include <cmath>
#include <string>
using namespace std;

int main()
{
    string filename="bunny";
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_ptr (new pcl::PointCloud<pcl::PointXYZ>);

    pcl::PLYReader reader;
    //    pcl::PCDReader reader;

    //    reader.read(filename+".pcd", *cloud_ptr);
    reader.read(filename+".ply", *cloud_ptr);
    if(cloud_ptr==NULL)
    {
        cout<<"ply/pcd file read error"<<endl;
        return -1;
    }


    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud_ptr);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setSearchMethod(tree);
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
    double nor_radius=0.002;
    
    ne.setRadiusSearch(nor_radius);
    ne.compute(*cloud_normals);

    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_b(new pcl::PointCloud<pcl::PointXYZRGB>);
    cloud_b->points.resize(cloud_ptr->size());

    for(int i=0; i<cloud_ptr->points.size(); i++)
    {
        cloud_b->points[i].x = cloud_ptr->points[i].x;
        cloud_b->points[i].y = cloud_ptr->points[i].y;
        cloud_b->points[i].z = cloud_ptr->points[i].z;
        cloud_b->at(i).r=100;
        cloud_b->at(i).g=100;
        cloud_b->at(i).b=100;
    }

    pcl::KdTreeFLANN<pcl::PointXYZRGB> kdtree;
    kdtree.setInputCloud(cloud_b);

    for(int i=0; i<cloud_b->points.size(); i++)
    {
        if(cloud_normals->points[i].curvature>0.01)
        {
            cloud_b->at(i).r=255;
            cloud_b->at(i).g=0;
            cloud_b->at(i).b=0;
        }
    }

    pcl::io::savePLYFile<pcl::PointXYZRGB>("curvature_"+filename+".ply", *cloud_b, false);
    pcl::visualization::CloudViewer viewer("Viewer");
    viewer.showCloud(cloud_b);
    system("PAUSE");

    return 0;
}

最后贴两张效果图（上述代码会将最后的结果以PLY文件的格式保存到本地，如果想查看的话去去下载个meshlab就行.）