weixin_43896283的博客

连通域点云聚类：:通过构建八叉树索引与连通域标记策略实现高效空间聚类。优点：高效空间索引与并行搜索。连通域标记的鲁棒性。内存优化与扩展性。

【代码】PCL 点云多边形面积计算。

利用点云相邻点的法向量来估计每个点云的主曲率、高斯曲率、平均曲率。

教程解决如下两个问题：1.从Las文件读取数据。解决BUG（当读取的RGB颜色数值超过了255时，保存成pcl::PointXYZRGB格式会失败，此时并不会报错，但后续的点云数据将丢失颜色信息）。

点云均匀采样:即从点云中按照一定的间隔等距地选择一部分点作为输出的采样点云。使用：函数的输入参数包括一个输入点云对象和一个采样点的距离间隔（采样密度）。函数会遍历整个输入点云，在每个采样间隔内选择一个点作为输出点云的采样点。函数的输出是一个新的点云对象，其中包含了按照采样间隔从输入点云中选择出来的采样点。优点：使用均匀采样可以降低点云数据量，减少计算复杂度，并且保留了点云的整体结构特征。

点云ISS关键点（Intrinsic Shape Signatures）:利用点云中每个点的局部邻域的协方差矩阵来分析局部几何结构。协方差矩阵的特征值可以揭示局部几何形状的显著性。通过筛选出特征值之间具有显著差异的点，ISS算法能够识别出关键点。

区域生长分割（RegionGrowing）:是一种改进的ICP（Iterative Closest Point）算法，用于处理3D点云配准问题，特别是在存在噪声、外点（不匹配点）或数据分布不均等复杂情况下。基本思想：首先依据点的曲率值对点进行排序，之所以排序是因为区域生长算法是从曲率最小的点开始生长的，这个点就是初始种子点，初始种子点所在的区域即为最平滑的区域，一般场景中平面区域较大，这样从最平滑的区域开始生长可减少分割区域的总数，提高效率。

计算点云的最小外接球

贪心三角化：是一种对原始点云进行快速三角化的算法，该算法假设曲面光滑，点云密度变化均匀，不能在三角化的同时对曲面进行平滑和孔洞修复。

快速点特征直方图(FPFH)描述子：计算 PFH 特征的效率其实是十分低的，，这样的算法复杂度无法实现实时或接近实时的应用。因此，这篇文章将介绍 PFH 的简化加速版本 Fast Point Feature Histogram，在这里简称为 FPFH，中文名译作「快速点特征直方图」。FPFH 能保留 PFH 的大部分特性和获得近似的结果，并能将计算复杂度降为 O(nk)。

使用积分图进行法线估计：计算一个有序点云的法线，注意该方法只适用于有序点云。

点特征直方图PFH(Point Feature Histograms)描述子：用于表示点云中每个点的局部几何形状信息，它是一种直方图描述子，包括了点云的法线方向和曲率信息，PFH描述子可以帮助区分不同形状的物体。

视点特征直方图VFH（Viewpoint Feature Histogram）描述子：是一种用于描述点云数据的特征表示方法。通过描述点云中每个点的局部几何形状和曲率来表示点云。VFH特征可以有效地用于物体识别和分类。

渐进形态过滤器：采用先腐蚀后膨胀的运算过程，可以有效滤除场景中的建筑物、植被、车辆、行人以及交通附属设施，保留道路路面及路缘石点云。

最小图割算法：是一种基于图论的对象分割方法，主要用于点云数据的处理和分析。该算法将点云数据表示为一个图结构，其中点云中的点作为图的节点，点之间的关系作为图的边，并通过最小化特定边的权重之和来分割点云数据。该算法旨在将输入的点云数据分割为两部分：前景点云（目标物体）和背景点云（剩余部分）。

点云球面投影：基本原理是将点云中的点投影到一个给定的球面上。

点云RGB颜色区域生长算法: 是一个基于RGB颜色信息的区域生长算法，用于点云分割。该算法利用了点云中相邻点之间的颜色相似性来将点云分割成不同的区域。

点云法向量估计（RegionGrowing）:点云法向量估计是一种计算点云中每个点的法向量的方法。点云法向量是描述点云表面方向的一种重要属性，可以用于点云分割、特征提取和重建等应用。

点云合并：将两个不同点云为合并一个新的点云，这里的合并是指对点云中的数据进行合并或字段进行合并（用户可以自行选择合并的方式）。需要注意的是：1.数据合并。如果是要合并两个不同点云的数据为一个点云时，要确保两个数据集中字段的类型相同维度相等。2.字段合并。如果是要合并两个不同点云的字段(例如，颜色、法线)，要确保是两个数据集中点的数目必须一样，例如，点云A是N个点的xyz点，点云B是N个点的rgb点，则连接两个字段形成的点云C是N个点的xyzrgb类型。

本文将详解点云PCD(点云数据)文件格式，以及如何使用PCL点云库实现文件的读取及写入。

点云深度图：是一种二维图像，用于表示三维点云中每个点的深度信息。它将每个点的深度值映射到一个像素上，深度值表示点到相机或参考平面的距离。深度图可以用来估计场景的几何结构，包括物体的距离、形状和大小等信息。

平面点云提取：是指从点云数据中提取出属于平面的点的过程。

ExtractIndices滤波器：是一种在点云中提取指定索引的点的滤波器。它根据给定的索引列表从输入点云中提取相应的点，并将它们作为输出点云返回。

Project_Inliers投影滤波器：基本原理是将点云中的点投影到一个给定的平面上。该算法的输入是一个点云数据以及一个平面模型（ModelCoefficients），输出是投影后的点云数据。

StatisticalOutlierRemoval过滤器是一种常用的点云滤波方法，它的作用是去除点云中的异常离群点。该滤波器基于统计学原理，通过计算每个点与其邻近点的统计参数，判断该点是否为离群点。

VoxelGrid滤波器：可以对点云数据进行体素化，来实现点云数据的下采样（即减少点的数量，减少点云数据）。常见的点云体素滤波器还有统计滤波器（Statistical Outlier Removal）、半径滤波器（Radius Outlier Removal）等。

移动最小二乘法（Mobile Least Square, MLS）是一种用于曲面重建或形变的方法。它通过对曲面进行局部加权平均来减小噪声和估计曲面上的法线方向。MLS方法的基本思想： 以每个点为中心取一定半径内的邻域点，然后通过最小二乘法拟合一个局部平面或曲面，并将原始点的坐标映射到该平面或曲面上。这样可以将离散的点云数据转换为连续的曲面表示，从而可以进行进一步的分析和处理。

基于欧式距离的单木分割方法相对简单且直观，但存在一些缺点，存在噪声或物体边缘不清晰时会影响分割结果。

直通滤波（PassThrough Filter）是PCL库中的一种简单而高效的点云滤波方法。它的基本思想是对点云数据在某一特定轴向（如X、Y或Z轴）上的坐标值进行范围筛选，即去掉用户指定范围内部（或外部）的点，从而实现对点云数据的裁剪和过滤。

首先计算两块点云的重叠区域，再提取出指定一组点云中的非重叠点云。

适用：读取TXT格式的点云数据。（效率已做优化，读取并解析45万行点云仅用时0.6s）

适用：点云模型数据转成点云数据（即：PLY格式转PCD格式，STL格式转pcd格式）

通过PCL VTK进行切片法，实现点云模型的体积测量、面积测量。

基于vtk中的vtkMassProperties类来计算模型的体积和表面积（注意：这里的模型必须是闭合的曲面，且须为三角化的网格模型）。所以，在使用该类之前，还需要先使用vtk中的vtkTriangleFilter类将其他条带或多边形的网格模型转换为三角化的网格模型.

适用：根据已知搜索点坐标，在点云中查找出指定数量的最邻近点。

适用：根据已知点坐标，在点云中搜索其指定半径范围内的所有点云。

PCL 获取两组点云中的重叠点云

PCL 计算USC（UniqueShapeContext）特征描述子

PCL半径滤波是删除在输入的点云一定范围内没有达到足够多领域的所有数据点。通俗的讲：就是以一个点p给定一个范围r，领域点要求的个数为m，r若在这个点的r范围内部的个数大于m则保留，小于m则删除。因此，使用该算法时需要对搜索半径和近邻点个数阈值进行设置。

PCL 实现点云欧式聚类