myenjoy_1的博客

C++的运行以及编译在window下进行确实有很多的坑要走，但是更多的是一些文件找不到，库找不到的问题，熟悉基本的构建规则，对这些可以慢慢探索而来。

在对点云数据处理的时候，很多时候激光雷达扫描的文件不一定是.pcd文件，这个时候需要进行相关文件处理，如Las，laz,e57等文件格式，本文将介绍las文件的读写.本文完成的Las文件的读写，点云数据在传递之中一般按照并非标准的.pcd文件，因此熟悉各种点云数据的解析格式是很有必要的。

在几篇文章中，基本实现了对PCL相关操作，最近在github上找到了Web端对点云数据可视化兼容很好的项目Potree对此本文将介绍如何使用Potree来进行web端的可视化。

通过前文的内容，以及将基本的PCL的库函数学习完成，但是考虑到系统的存在，并非孤立的，是相互沟通交流的。考虑到当下可移植性，以及便捷性，采用Http的方式进行，进行各模块的沟通本文结束相关cpprestsdk发送http请求，方便与外界系统进行相应的数据交流，打破数据孤岛的存在。

考虑到点云数据最后可以转化成一个三维矩阵[x,y,z],而python在机器学习领域里面有着莫大的优势，python作为一门胶水语言，已经集成并调用其他科学领域的库。如scripy库，底层采用用fortran语言编写的，所以执行起来比C++快。因此本文将采用学习如何从C++调用相关python的模块以及库。本文完成相关C++调用python相关的内容，也就是说点云数据可以转化为3维矩阵，可以采用python里面相关的机器学习算法进行后续的建模 ，优化，寻找最小值等等优化内容。

在前文中，我们学习相关PCL一致性采样方法，用于检测相关的点云的曲面或者平面。点云还有比较重要的一部分，那就是滤波，如何提出无用的点，降噪是本节学习的内容。前文代码本文总结了PCL相关的两种简单的过滤方式，主要用的比较多的是体素化网格过滤这个过滤可以将大量的数据进行减少，并且对后续的数据分析以及建模提供的便利。

通过前面的文章，我们基本上代建的相关环境。本文将继续基于此继续学习PCL相关采样一致性算法。基础代码下载RANSAC从样本中随机抽选出一个样本子集，使用最小方差估计算法对这个子集计算模型参数，然后计算所有样本与该模型的偏差，再使用一个预先设定好的阈值与偏差比较，当偏差小于阈值时，该样本点属于模型内样本点 ( inliers），或称内部点、局内点或内点，否则为模型外样本点（outliers），或称外部点、局外点或外点，记录下当前的 inliers 的个数，然后重复这一过程。

在前几篇PCL学习文章中，我们搭建起相关环境，以及KD Tree的相关搜索算法。本篇将带大家学习相关八叉树相关内容，还是在上文的代码基础下，进行相关的修改。

在PCL前两篇文章中，我们一直采用的是VTK+来进行点云渲染，但在现实中，由于web开发的变多，因此如何让点云数据在web页面上面得到显示是个问题。考虑到web界面的三维图像的渲染一般都用threejs,因此学习下threejs的入门是很有必要的。threejs官网。

在前两篇文章中，我们搭建起了PCL的开发环境以及和QT5相结合的环境。在本篇博客将在此基础上介绍kd-tree的搜索算法。k-d树是一种分割k维数据空间的数据结构，在PCL分为两种搜索一种是范围查询，另一种是K近邻查询范围查询:给定查询点和查询距离的阈值，从数据集中找出所有与查询点距离小于阈值的数据，K近邻查询:给定查询点及正整数K，从数据集中找到距离查询点最近的K个数据，当K=1时，就是最近邻查询。具体的理论结论我们可以不用太过于清楚，只要明白PCL提供两个API接口让我们去搜索最近点的数据。

在上一篇PCL安装与使用介绍PCL简单使用过程，那么想在QT5项目中使用PCL项目模块该如何做呢！

PCL(The Point of Library) 是一个用于2D/3D图像和点云处理的大型的开源项目。PCL框架由许多先进算法构成，包括滤波、特征估计、表面重构、配准、模型拼合和分割等。这些算法有许多应用，例如，过滤噪声数据中的异常值，拼合多组3D点云，分割场景中的相关部分，提取关键点并计算几何外形的描述子用于识别物体，利用点云创建并可视化物体表面，等等。PCL目前已成功编译并配置在Linux， MacOS， Windows， 和Android/iOS等平台上。PCL官网PCL Github。