PCL提供的几个常见模型：
-
pcl::SACMODEL_PLANE：平面模型，用于拟合平面结构的点云数据。 -
pcl::SACMODEL_SPHERE：球体模型，适用于拟合球体结构的点云数据。 -
pcl::SACMODEL_CYLINDER：圆柱体模型，用于拟合圆柱体结构的点云数据。 -
pcl::SACMODEL_LINE：直线模型，适用于拟合直线结构的点云数据。 -
pcl::SACMODEL_NORMAL_PLANE：法线平面模型，用于拟合平面结构并考虑法线方向的点云数据。 -
pcl::SACMODEL_NORMAL_SPHERE：法线球体模型，用于拟合球体结构并考虑法线方向的点云数据。 -
pcl::SACMODEL_NORMAL_CYLINDER：法线圆柱体模型，适用于拟合圆柱体结构并考虑法线方向的点云数据。
一些样本一致性方法
-
pcl::SAC_RANSAC：随机采样一致性（RANSAC）方法，是一种常用的模型拟合和离群点去除的方法。 -
pcl::SAC_LMEDS：最小中值残差（LMEDS）方法，是一种鲁棒的模型拟合方法，能够对数据中的离群点具有较好的鲁棒性。 -
pcl::SAC_MSAC：多样本一致性（MSAC）方法，通过随机抽取多个样本来进行一致性判断，相对于RANSAC具有更好的收敛性能。 -
pcl::SAC_RRANSAC：重复随机采样一致性（RRANSAC）方法，是RANSAC方法的改进版，通过多次重复采样和模型拟合来提高鲁棒性。 -
pcl::SAC_PROSAC：自适应随机一致性（PROSAC）方法，是一种自适应性优化的采样一致性方法。
代码：
#include <iostream>
#include <pcl/ModelCoefficients.h> // 模型系数
#include <pcl/io/pcd_io.h>#include <pcl/point_types.h> // 点云数据类型
#include <pcl/sample_consensus/method_types.h> // 用于样本一致性算法的方法类型的定义。这些方法包括RANSAC、MSAC、LORANSAC等，用于拟合模型并去除离群点
#include <pcl/sample_consensus/model_types.h> // 用于样本一致性算法的模型类型的定义。这些模型类型包括平面、球体、圆柱体、线段等，可以选择合适的模型类型进行样本一致性拟合
#include <pcl/segmentation/sac_segmentation.h> // 于基于样本一致性的分割算法的类定义和函数。这个头文件中包含了SacSegmentation类，可以使用该类进行样本一致性分割，从给定的点云数据中提取出符合特定模型的物体分割结果#include <pcl/visualization/pcl_visualizer.h>
int main(){// 创建点云容器pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 填充点云cloud->width = 15;cloud->height = 1;cloud->points.resize(cloud->width * cloud->height);// 生成数据for (size_t i = 0; i< cloud->points.size(); ++i){cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);cloud->points[i].z = 1;}// 设置几个局外点，使其偏离z为1的平面cloud->points[0].z = 2.0;cloud->points[3].z = -2.0;cloud->points[6].z = 4.0;// 打印所有点std::cerr << "point cloud data: " << cloud->points.size() << " points" << std::endl;for (size_t i=0; i < cloud->points.size(); ++i)std::cerr << " " << cloud->points[i].x << " "<< cloud->points[i].y << " "<< cloud->points[i].z <<std::endl;// 创建分割时所需要的模型系数对象，coefficiients及存储内点的点索引集合对象inlierspcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);pcl::PointIndices::Ptr inliers(new pcl::PointIndices);// 创建分割对象pcl::SACSegmentation<pcl::PointXYZ> seg;// 可选择配置，设置模型系数需要优化seg.setOptimizeCoefficients(true);// 必要的配置，设置分割的模型类型，所用的随机参数估计方法，距离阈值，输入点云seg.setModelType(pcl::SACMODEL_PLANE); // 设置模型类型seg.setMethodType(pcl::SAC_RANSAC); // 设置随机采样一致性方法类型seg.setDistanceThreshold(0.01); // 设置距离阈值，距离阈值决定了点被认为是局内点是必须满足的条件// 表示点到估计模型的距离最大值seg.setInputCloud(cloud);// 引发分割实现，存储分割结果到点集合inliers及存储平面模型的系数coefficientsseg.segment(*inliers, *coefficients);if (inliers->indices.size() == 0){PCL_ERROR("Could not estimate a planar model for the given dataset.");}// 打印平面模型std::cerr << "Model coefficients: " << coefficients->values[0] << " "<< coefficients->values[1] << " "<< coefficients->values[2] << " "<< coefficients->values[3] << std::endl;std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;for (size_t i=0; i< inliers->indices.size(); ++i)std::cerr << inliers->indices[i] << " " << cloud->points[inliers->indices[i]].x << " "<< cloud->points[inliers->indices[i]].y << " "<< cloud->points[inliers->indices[i]].z << std::endl;pcl::PointCloud<pcl::PointXYZ>::Ptr seg_result(new pcl::PointCloud<pcl::PointXYZ>);for (size_t i =0; i< inliers->indices.size(); ++i){seg_result->push_back(cloud->points[inliers->indices[i]]);}pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("viewer"));
// viewer->setBackgroundColor(0.0,0,0);viewer->addCoordinateSystem(1.0);viewer->addPointCloud(cloud, "cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "cloud");
// viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0, 0, "cloud");// viewer->addPointCloud(seg_result, "result");
// viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "result");
// viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1.0, 0, "result");while (!viewer->wasStopped()) {}return 0;
}
输出信息
