Catog的博客

PCL点云库学习笔记（八）点云分割一、概述二、实现平面模型分割点云分割一、概述点云分割适合处理由多个独立空间区域组成的点云，将点云分割为不同的簇，然后可以对其进行独立处理。图中说明了平面模型分割和圆柱模型分割的结果。二、实现平面模型分割基于随机采样一致性的分割1.从一个样本集S中，随机抽取n个样本，拟合出一个模型，n是能够初始化模型的最小样本数。2.用1中得到的模型去测试所有的其它数据，如果某个点与模型的误差小于某个阈值，则该点适用于这个模型，认为它也是局内点。3.如果模型内的局内点达到一

PCL学习笔记（二）特征概述特征概述点特征是根据该点周围可用的信息来描述几何图案，在点周围选择的数据空间通常称为k邻域。两个最广泛使用的几何点特征是下表面的估计曲率和点法线，使用其k个最近点提供的信息来表征一个点。为了有效地确定k，通常使用空间分解技术（例如八叉树或kD树）将输入数据集分成较小的块，然后在该空间中执行最近点搜索。 可以选择在p点附近的k个固定点，或者以点为中心的半径r的球体内的所有点。计算点p处的表面法线和曲率变化的最简单方法是在k邻域内进行特征分解（即计算特征向量和特征值）。对应

PCL点云库学习笔记（六）点云滤波一、概述二、使用直通滤波器三、使用VoxelGrid滤波器进行下采样点云滤波一、概述由于测量误差，某些数据集会出现大量阴影点。 通过对每个点的邻域进行统计分析，并修剪不符合特定条件的那些异常值，可以过滤掉某些异常值。 PCL中的稀疏离群值的消除，是基于输入数据集中点到邻域点的距离分布。 对于每个点，将计算从该点到其所有邻居的平均距离。 通过假定结果分布是具有均值和标准差的高斯分布，可以将其平均距离在由全局距离均值和标准差定义的区间之外的所有点视为离群值。二、使用直通

PCL点云库学习笔记（五）可视化四、PCLPlotter五、MFC 开发实例可视化四、PCLPlotter4.1 绘制多项式PCLPlotter提供了一个非常简单明了的图形绘制界面，可以在库中可视化各种重要的图，从多项式函数到直方图。#include<vector>#include<iostream>#include<utility>#include<pcl/visualization/pcl_plotter.h>using namespa

PCL点云库学习笔记（三）一、k-d tree二、八叉树一、k-d tree我们所有的k-d树都是三维空间的。 k-d树的每个级都使用特定维度拆分所有子级。 在树的根部，所有子项都将根据第一维进行拆分（即，如果第一维坐标小于根，则它将在左子树中；如果大于根，则显然会在 右边的子树）。 树中向下的每个级别都在下一个维度上划分，一旦所有其他级别都用尽后，将返回到第一个维度。 构造k-d树的最有效方法是使用一种分区方法，将中值点放置在根上，具有较小一维值在左子树，较大的值在右子树。 然后，在左右两个子树上都重

PCL点云库学习笔记（二）输入输出(I\O)一、概述二、PCD 点云格式三、从PCD文件读取点云数据四、从PCD文件中写入点云数据输入输出(I\O)一、概述IO库包含用于读写点云数据(PCD)文件的类和函数，以及从各种传感设备捕获点云。二、PCD 点云格式1.为什么用一种新的文件格式？PCD文件格式的出现，是因为现有的文件结构不支持由PCL库引进n维点类型机制处理过程中的某些扩展。PCD不是第一个支持3D点云数据的文件类型，尤其是计算机图形学和计算几何学领域，已经创建了很多格式来描述任意多边形和

PCL点云库学习笔记基本用法入门\基本结构基本用法不知道怎么入门，就先从阅读官方文档开始了，记录下学习的过程和出现的错误。官方文档的walkthrough介绍了各个部分，学到的时候再细看入门\基本结构pcl::PointCloud<pcl::PointCloud>是基本的数据类型，PointCloud是一个c++的类，包含以下的数据：1.pcl::PointCloud<pcl::PointCloud::width>width在无序数据集表示点的总数；在有序的点云数据集表示一