@[TOC]PCL中点云分割模块的学习

学习背景

参考书籍：《点云库PCL从入门到精通》以及官方代码PCL官方代码链接,，PCL版本为1.10.0，CMake版本为3.16

学习内容

用一组点云数据做简单的平面的分割

源代码及所用函数

源代码

#include<iostream>
#include<pcl/ModelCoefficients.h>//定义名为 pcl::ModelCoefficients 的类，用于存储模型的系数
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
#include<pcl/sample_consensus/method_types.h>//随即参数估计方法头文件
#include<pcl/sample_consensus/model_types.h>//定义 PCL 中用于随机采样一致性 (SAC) 方法的枚举类型
#include<pcl/segmentation/sac_segmentation.h>//提供 PCL 中用于基于随机采样一致性 (SAC) 方法进行点云分割的类和函数int main(int argc,char** aegv)
{/********************************生成并设置点云**************************************************************///生成点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);cloud->width = 15;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*rand()/(RAND_MAX+1.0f);cloud->points[i].y = 1024*rand()/(RAND_MAX+1.0f);        cloud->points[i].z = 1.0;}//设置几个局外点，即重新设置几个点的z值，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;std::cerr << "Point cloud data: " << cloud->points.size () << " points" << std::endl; for (size_t i = 0; i < cloud->points.size(); i++){std::cout<<" "<<cloud->points[i].x<< " "<<cloud->points[i].y<< " "<<cloud->points[i].z<< std::endl;}/************************************设置分割参数***********************************************///创建分割时所需要的模型系数对象，coefficients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，选择模型系数是否需要优化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，距离阀值，输入点云seg.setModelType(pcl::SACMODEL_PLANE);//设置模型类型为  平面模型seg.setMethodType(pcl::SAC_RANSAC);//设置随机采样一致性方法类型，SAC_RANSAC：随机采样一致性 (RANSAC) 方法seg.setDistanceThreshold(0.01);//设定距离阀值，距离阀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，存储分割结果到点几何inliers及存储平面模型的系数coefficientsseg.segment(*inliers,*coefficients);if (inliers->indices.size()==0){PCL_ERROR("无法为给定数据集估计平面模型");return -1;}//打印出平面模型std::cout << "模型系数" << coefficients->values[0] << " " << coefficients->values[1] << " "<< coefficients->values[2] << " " << coefficients->values[3] << std::endl;std::cout << "离群值模型" << 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;}return 0;}

CMakeLists.txt

cmake_minimum_required(VERSION 3.16 FATAL_ERROR)#指定CMake的最低版本要求为3.16
project(project)#设置项目名称
find_package(PCL 1.10 REQUIRED)#查找PCL库,要求版本为1.10或更高。
include_directories(${PCL_INCLUDE_DIRS})#将PCL库的头文件目录添加到包含路径中
link_directories(${PCL_LIBRARY_DIRS})#将PCL库的库文件目录添加到链接器搜索路径中。
add_definitions(${PCL_DEFINITIONS})#添加PCL库的编译器定义
add_executable (planar_segmentation planar_segmentation.cpp)
target_link_libraries (planar_segmentation ${PCL_LIBRARIES})#将PCL库链接到可执行文件目标。

运行结果

函数

• #include<pcl/ModelCoefficients.h>定义了一个名为 pcl::ModelCoefficients 的类，用于存储模型的系数。在点云处理中，我们经常需要拟合各种模型，如平面、球体、圆柱体等。这些模型可以用一组系数来表示，例如：

  对于平面模型，我们需要存储平面的法向量和距离系数。
  对于球体模型，我们需要存储球心坐标和半径。
  对于圆柱体模型，我们需要存储圆柱轴的方向向量、圆柱体上一点的坐标以及半径。

  pcl::ModelCoefficients 类提供了一种通用的方式来存储这些模型系数。它内部使用了一个 std::vector 来存储系数值。

• #include<pcl/sample_consensus/method_types.h> 这个头文件定义了 PCL 中用于随机采样一致性 (SAC) 方法的枚举类型。
  随机采样一致性 (SAC) 是一种在带有异常值的数据集中估计模型参数的方法。PCL 提供了多种 SAC 方法，如 RANSAC、LMEDS、MSAC 和 RRANSAC 等。这些方法在处理含有噪声和异常值的数据时非常有用，特别是在计算机视觉和点云处理领域。

• #include<pcl/segmentation/sac_segmentation.h>这个头文件提供了 PCL 中用于基于随机采样一致性 (SAC) 方法进行点云分割的类和函数。头文件提供了一个名为 pcl::SACSegmentation 的类，该类实现了基于 SAC 方法的点云分割算法。
  该类提供了以下主要功能：
  设置分割的模型类型：可以使用 setModelType() 函数设置要拟合的模型类型，如平面、圆柱体、球体等。
  设置 SAC 方法的类型：可以使用 setMethodType() 函数设置所使用的 SAC 方法，如 RANSAC、LMEDS 等。
  设置分割参数：可以使用 setDistanceThreshold()、setMaxIterations()、setProbability() 等函数设置分割算法的参数，如距离阈值、最大迭代次数、概率等。
  执行分割：使用 segment() 函数执行点云分割，该函数将点云作为输入，并输出分割结果，包括模型系数和内点索引。

补充内容