【PCL】Octree (八叉树) 模块介绍和代码示例

PCL中Octree模块介绍与代码示例
原创 已于 2025-01-13 10:42:23 修改 · 653 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #3d #c++

于 2025-01-13 10:41:09 首次发布

1、Octree模块说明

1.1 概述

Octree（八叉树）是一种树状数据结构，用于在三维空间中对点云数据进行高效的组织和管理。它将空间递归地划分为八个子空间（即八叉树节点），直到每个节点中的点云数据满足特定的条件（如点的数量或空间分辨率）。Octree广泛应用于点云的压缩、搜索、分割、聚类等任务。

1.2 Octree模块的主要功能

PCL中的Octree模块提供了以下主要功能：

  • 点云的压缩与解压缩：通过Octree结构对点云进行压缩存储，减少存储空间。
  • 近邻搜索：快速查找给定点附近的点。
  • 体素搜索：查找位于特定体素（空间立方体）内的点。
  • 空间变化检测：检测两个点云之间的空间变化。
  • 点云的分割与聚类：利用Octree结构对点云进行分割和聚类。

1.3 Octree模块的核心类

  • pcl::octree::OctreePointCloud<PointT, LeafContainerT, BranchContainerT>：这是Octree的核心类，用于管理点云的Octree结构。
    • PointT：点云中点的类型，如pcl::PointXYZ。
    • LeafContainerT：叶子节点的容器类型。
    • BranchContainerT：分支节点的容器类型。

2、Octree模块主要功能代码示例

2.1 点云的压缩与解压缩

Octree可以用于压缩点云数据，通过减少点的数量或降低分辨率来节省存储空间。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree_pointcloud_compression.h>
#include <pcl/io/pcd_io.h>
#include <iostream>

int main()
{
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 生成一些随机点云数据
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);
    for (size_t i = 0; i < cloud->points.size(); ++i)
    {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    // 创建Octree压缩对象
    pcl::io::OctreePointCloudCompression<pcl::PointXYZ> octreeCompression;

    // 压缩点云
    std::stringstream compressedData;
    octreeCompression.encodePointCloud(cloud, compressedData);

    // 解压缩点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr decompressedCloud(new pcl::PointCloud<pcl::PointXYZ>);
    octreeCompression.decodePointCloud(compressedData, decompressedCloud);

    // 输出压缩前后的点云大小
    std::cout << "Original cloud size: " << cloud->points.size() << " points" << std::endl;
    std::cout << "Decompressed cloud size: " << decompressedCloud->points.size() << " points" << std::endl;

    return 0;
}

2.2 近邻搜索

Octree可以快速查找给定点附近的点。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>
#include <pcl/io/pcd_io.h>
#include <iostream>
#include <vector>

int main()
{
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 从PCD文件加载点云数据
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("sample.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file sample.pcd \n");
        return -1;
    }

    // 创建Octree对象
    float resolution = 0.01f;
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);
    octree.addPointsFromInputCloud();

    // 定义搜索点
    pcl::PointXYZ searchPoint;
    searchPoint.x = 0.1f;
    searchPoint.y = 0.1f;
    searchPoint.z = 0.1f;

    // 近邻搜索
    int K = 10; // 搜索最近的10个点
    std::vector<int> pointIdxNKNSearch(K);
    std::vector<float> pointNKNSquaredDistance(K);

    if (octree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)
    {
        std::cout << "Nearest neighbor search results:" << std::endl;
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
        {
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
                      << " " << cloud->points[pointIdxNKNSearch[i]].y
                      << " " << cloud->points[pointIdxNKNSearch[i]].z
                      << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
        }
    }

    return 0;
}

2.3 体素搜索

Octree可以查找位于特定体素（空间立方体）内的点。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree_search.h>
#include <pcl/io/pcd_io.h>
#include <iostream>
#include <vector>

int main()
{
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 从PCD文件加载点云数据
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("sample.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file sample.pcd \n");
        return -1;
    }

    // 创建Octree对象
    float resolution = 0.01f;
    pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);
    octree.addPointsFromInputCloud();

    // 定义搜索点
    pcl::PointXYZ searchPoint;
    searchPoint.x = 0.1f;
    searchPoint.y = 0.1f;
    searchPoint.z = 0.1f;

    // 体素搜索
    std::vector<int> pointIdxVec;
    if (octree.voxelSearch(searchPoint, pointIdxVec))
    {
        std::cout << "Voxel search results:" << std::endl;
        for (size_t i = 0; i < pointIdxVec.size(); ++i)
        {
            std::cout << "    " << cloud->points[pointIdxVec[i]].x
                      << " " << cloud->points[pointIdxVec[i]].y
                      << " " << cloud->points[pointIdxVec[i]].z << std::endl;
        }
    }

    return 0;
}

2.4 空间变化检测

Octree可以检测两个点云之间的空间变化。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>
#include <pcl/io/pcd_io.h>
#include <iostream>

int main()
{
    // 创建两个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudA(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudB(new pcl::PointCloud<pcl::PointXYZ>);

    // 加载点云数据
    pcl::io::loadPCDFile<pcl::PointXYZ>("cloudA.pcd", *cloudA);
    pcl::io::loadPCDFile<pcl::PointXYZ>("cloudB.pcd", *cloudB);

    // 创建Octree对象
    float resolution = 0.01f;
    pcl::octree::OctreePointCloudChangeDetector<pcl::PointXYZ> octree(resolution);

    // 添加第一个点云
    octree.setInputCloud(cloudA);
    octree.addPointsFromInputCloud();

    // 切换到变化检测模式
    octree.switchBuffers();

    // 添加第二个点云
    octree.setInputCloud(cloudB);
    octree.addPointsFromInputCloud();

    // 获取变化点索引
    std::vector<int> newPointIdxVector;
    octree.getPointIndicesFromNewVoxels(newPointIdxVector);

    // 输出变化点
    std::cout << "Detected changes: " << newPointIdxVector.size() << " points" << std::endl;
    for (size_t i = 0; i < newPointIdxVector.size(); ++i)
    {
        std::cout << "    " << cloudB->points[newPointIdxVector[i]].x
                  << " " << cloudB->points[newPointIdxVector[i]].y
                  << " " << cloudB->points[newPointIdxVector[i]].z << std::endl;
    }

    return 0;
}

2.5 点云的分割与聚类

Octree可以用于点云的分割和聚类。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>
#include <pcl/io/pcd_io.h>
#include <pcl/segmentation/extract_clusters.h>
#include <iostream>

int main()
{
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 从PCD文件加载点云数据
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("sample.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file sample.pcd \n");
        return -1;
    }

    // 创建Octree对象
    float resolution = 0.01f;
    pcl::octree::OctreePointCloud<pcl::PointXYZ> octree(resolution);
    octree.setInputCloud(cloud);
    octree.addPointsFromInputCloud();

    // 提取聚类
    std::vector<pcl::PointIndices> clusterIndices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.02f); // 设置聚类容差
    ec.setMinClusterSize(100);     // 设置最小聚类点数
    ec.setMaxClusterSize(25000);   // 设置最大聚类点数
    ec.setSearchMethod(octree.getSearchMethod());
    ec.setInputCloud(cloud);
    ec.extract(clusterIndices);

    // 输出聚类结果
    std::cout << "Number of clusters: " << clusterIndices.size() << std::endl;
    for (size_t i = 0; i < clusterIndices.size(); ++i)
    {
        std::cout << "Cluster " << i << " has " << clusterIndices[i].indices.size() << " points" << std::endl;
    }

    return 0;
}

2.6 总结

以上代码示例展示了PCL中Octree模块的五个主要功能：

  1. 点云的压缩与解压缩
  2. 近邻搜索
  3. 体素搜索
  4. 空间变化检测
  5. 点云的分割与聚类

通过这些功能，Octree可以高效地处理点云数据，适用于多种应用场景。

PCL点云库入门——PCL库中点云数据拓扑关系之Octree（八叉树）
qq_36812406的博客
12-23 2086
若以长方体空间来表示一个三维模型，在X轴、Y轴和Z轴三个方向上各进行一次分割，便能获得8个更小的长方体子空间。每个子空间能够容纳相应的点云数据。若子空间内的点云数据量较大，分割过程可以继续进行。分割的具体规则可以由用户自定义，例如，当一个子空间中的点云数据量超过8个时，就继续进行分割。所有这些子空间可以形成一个树状结构，从整体上看，每个节点都分叉出八个子节点，如图1所示，这种树状结构被称为八叉树数据结构。图1。
PCL 基于八叉树体素下采样
dayuhaitang1的博客
08-25 636
PCL 基于八叉树体素下采样
PCL学习笔记8 —— 基于octree的空间划分及搜索操作
daidaiisdaidai的博客
12-02 1559
(1)  octree是一种用于管理稀疏3D数据的树形数据结构，每个内部节点都正好有八个子节点。本文介绍如何用octree在点云数据中进行空间划分及近邻搜索，实现“体素内近邻搜索（Neighbors within VOxel Search）”,"K近邻搜索（K Nearest Neighbor Search）","半径内近邻搜索"（Neighbors within Radius Search）。 ...
八叉树Octree
热门推荐
Augusdi的专栏
06-30 3万+
维基释义：八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分叉中心。百度百科释义：八叉树（Octree）的定义是：若不为空树的话，树中任一节点的子节点恰好只会有八个，或零个，也就是子节点不会有0与8以外的数目。那么，这要用来做什么？想象一个立方体，
Octree（八叉树）
人无远虑，必有近忧
04-02 9072
八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，将八个子节点所表示的体积元素加在一起就等于父节点的体积。八叉树是四叉树在三维空间上的扩展，二维上我们有四个象限，而三维上，我们有8个卦限。八叉树主要用于空间划分和最近邻搜索。实现Octree的原理。
PCL - octTree八叉树
myenjoy_1的博客
02-16 491
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。
Octree 了然于胸
paxis0813的博客
06-27 1236
今天是北京时间 2020 年 6月25 - 端午节的下午4点33分，由于北京出现疫情的原因，今天没有和女朋友出去玩，加上现在外面下着冰雹，固而心情很舒畅，便想着把之前一直想写却没有时间写的 octree 做一下笔记，以便以后阅读。 开始还是需要点开熟悉的wiki来查询一下定义： Anoctreeis atree data structurein which eachinternal nodehas exactly eightchildren. Oc...
pcl基于八叉树进行空间划分和搜索操作
Scarlett的博客
06-30 1332
点云分解之octree八叉树
PCL 八叉树的介绍（octree_octreePointcloud）
xhm01291212的博客
09-05 700
PCL中：将，分配空间对象。并不停地迭代，直至。其中，八叉树的每个结点表示一个正方体的体积元素，每一个结点最多有八个子节点。
pcl点云八叉树构建和显示
07-26
6. **代码示例**：在给定的压缩包文件中，可能包含了演示如何使用PCL构建和显示八叉树点云的示例代码。`outofcore_process.zip`可能包含了处理大规模点云的外存操作示例，而`my_view_re_3.zip`可能是关于视图重定向...
八叉树示例程序
06-02
一个可用的八叉树示例程序
java简单实现八叉树图像处理代码示例
08-28
主要介绍了java简单实现八叉树图像处理代码示例，具有一定借鉴价值，需要的朋友可以参考下。
（九）OcTree教程一--OcTree原理介绍
jiaojialulu的专栏
04-05 1万+
OcTree原理介绍八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，将八个子节点所表示的体积元素加在一起就等于父节点的体积。八叉树是四叉树在三维空间上的扩展，二维上我们有四个象限，而三维上，我们有8个卦限。八叉树主要用于空间划分和最近邻搜索。 八叉树建立过程伪代码： (1). 设定最大递归深度 (2). 找出场景的最大尺寸，并以此尺寸
B树，r树，k-d树，bvh(bound volumn heuristic)树, octtree ,quadtree（待更）
qiushangren的专栏
07-01 4366
引入b树是为了方便理解r树； kd树，oct树，bvh树，oct树，quad树都是用于空间或区域（region）的管理。下面讲述按我的理解的大概的划分 b树，一种特殊的多叉树，善于描述一维的数据r树是b树向多维的一种拓展，也是属于多叉树的一种。 多叉树相对于二叉树有一个问题就是查找时间过长，在每个中间节点上需要消耗较多的时间。所以有对b树和r树的改进方式是尽量减少树的阶数，通常取最小阶数为3，因...
八叉树，用C++实现简单的八叉树类
JamesXue的博客
07-04 1469
八叉树的C++实现代码。
八叉树 C++ 基础 源码
...
06-20 1万+
http://blog.csdn.net/pizi0475/article/details/6269060四叉树或四元树也被称为Q树（Q-Tree）。四叉树广泛应用于图像处理、空间数据索引、2D中的快速碰撞检测、存储稀疏数据等，而八叉树（Octree）主要应用于3D图形处理。实际的数据结构，就是一个树根不断地往下扩，每次分成八个枝，直到叶子为止。 叶子节点代表了分辨率最高的情况。例如分辨率设成0.
C++实现八叉树
NINE_world的博客
10-24 1279
【代码】C++实现八叉树。
11.八叉树的创建
weixin_71719718的博客
02-06 312
（Octree）是一种空间分割数据结构，用于在三维空间中对对象进行高效的存储和查询。的扩展，将三维空间划分为八个相等大小的子立方体（八个子节点），每个。可以进一步细分为八个子节点，以此类推。
PCL学习---octree
weixin_37617732的博客
12-16 676
1.Octree相关原理 2.PCL官方demo 本次运行了官方的基于八叉树的空间划分及搜索操作的demo 代码如下： #include <pcl/point_cloud.h> #include <pcl/octree/octree.h> #include <iostream> #include <vector> #include <ctime> int main (int argc, char**argv) { srand ((unsigned
pcl181八叉树压缩
最新发布
02-13
### 使用PCL 1.8.1 实现八叉树压缩 为了利用PCL库中的八叉树方法来实现点云数据的压缩与解压操作，在`usr/include/pcl/compression/compression_profiles.h`文件中定义了一系列用于配置不同压缩级别的参数选项[^1]。具体来说，这些配置项允许开发者指定诸如分辨率、体素大小以及是否启用颜色信息保存等细节。 对于希望基于PCL 1.8.1版本执行此功能的应用程序而言，除了确保正确设置了环境变量（例如将`%PCL_ROOT%`指向安装目录），还需要特别注意编译过程中的依赖关系管理[^2]。当遇到编译错误时，应当仔细检查并调整项目属性里有关外部库链接的部分，特别是确认已指定了正确的`.lib`文件位置及其对应的头文件路径[^4]。 下面给出一段简单的C++代码片段作为示范，展示了怎样创建一个八叉树结构并对给定点集应用该算法： ```cpp #include <pcl/io/pcd_io.h> #include <pcl/octree/octree_pointcloud_compression.h> int main(int argc, char** argv){ pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); // 加载原始PCD文件到内存中 if (pcl::io::loadPCDFile<pcl::PointXYZ>("input.pcd", *cloud) == -1){ PCL_ERROR ("Couldn't read file input.pcd \n"); return (-1); } // 创建octree对象实例化 pcl::octree::OctreePointCloudCompression<pcl::PointXYZ> octree(0.1f); // 设置输入点云数据 octree.setInputCloud(cloud); // 执行编码流程 std::stringstream compressedData; octree.compressPointCloud(compressedData); // 解码恢复原状 pcl::PointCloud<pcl::PointXYZ>::Ptr decompressedCloud(new pcl::PointCloud<pcl::PointXYZ>()); octree.decompressPointCloud(compressedData,*decompressedCloud); // 输出处理后的结果至新文件 pcl::io::savePCDFileASCII("output_decompressed.pcd",*decompressedCloud); return 0; } ``` 这段示例说明了如何加载点云数据、初始化八叉树类的对象、调用成员函数完成压缩动作并将得到的数据流传递回去以便后续解压还原成初始状态。值得注意的是，这里使用的构造器接受浮点型参数表示最大枝叶节点尺寸；实际应用场景下可根据需求灵活设定这一数值以平衡存储效率和重建精度之间的权衡。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值