C++ PCL求解法向量及可视化

  【版权声明】
本文为博主原创文章,未经博主允许严禁转载,我们会定期进行侵权检索。   

参考书籍:《人工智能点云处理及深度学习算法》

 本文为专栏《Python三维点云实战宝典》系列文章,专栏介绍地址“【python三维深度学习】python三维点云从基础到深度学习_python3d点云从基础到深度学习-CSDN博客”。配套书籍《人工智能点云处理及深度学习算法》提供更加全面和系统的解析。

        当使用 C++ 和 PCL(Point Cloud Library)来求解点云法向量并可视化时,可以按照以下步骤进行。

1. 加载点云数据

        在编写 C++ 代码时,您需要使用 PCL 提供的数据结构来加载点云数据。通常,您可以通过 PCD 文件来存储点云数据,并使用 PCL 中的函数来加载这些数据。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile("path/to/your/pointcloud.pcd", *cloud);

2. 求解点云法向量

        使用 PCL 中的法向量估计方法,可以对加载的点云数据进行法向量计算。PCL 提供了多种方法来进行法向量估计,比如基于最邻近搜索的方法或者基于曲率的方法。

#include <pcl/features/normal_3d.h>

pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
ne.setSearchMethod(tree);
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
ne.setRadiusSearch(0.03); // 设置搜索半径
// ne.setKSearch(5); //设置搜素点数
ne.compute(*cloud_normals);

3. 可视化法向量

        一旦计算出点云的法向量,您可以使用 PCL 的可视化模块进行可视化。PCL 提供了可视化工具,可以将点云和法向量一起显示出来。

// 可视化点云和法向量
boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Point Cloud Viewer"));
viewer->setBackgroundColor(0, 0, 0);
viewer->addPointCloud<pcl::PointXYZ>(cloud, "point_cloud");

// 设置法向量可视化参数
viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, cloud_normals, 10, 0.8, "normals"); // 第4个参数是每个法向量的间隔,第5个参数是法向量的长度比例因子
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_LINE_WIDTH, 3, "normals");
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "normals"); // 设置法向量颜色为红色

      在 addPointCloudNormals 方法中,第五个参数是法向量的长度比例因子。您可以调整这个值来增加或减少法向量箭头的长度。在这个示例中,我们将其设置为 0.8,这意味着法向量的长度将与其实际大小成比例,但是缩小了 0.8 倍以便更好地在可视化中展示。您可以根据需要调整这个值来获得适合您数据的法向量长度。  

4. 完整示例程序

        示例点云rabbit.pcd下载地址为https://download.csdn.net/download/suiyingy/85129456。

/*
更多python与C++技巧、三维算法、深度学习算法总结、大模型请关注我的博客,欢迎讨论与交流:https://blog.csdn.net/suiyingy,或”乐乐感知学堂“公众号。Python三维领域专业书籍推荐:《人工智能点云处理及深度学习算法》。
*/
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>

int main()
{
    // 加载点云数据
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("../../rabbit.pcd", *cloud);

    // 求解点云法向量
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setSearchMethod(tree);
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
    ne.setRadiusSearch(0.2); // 设置搜索半径
    ne.compute(*cloud_normals);

    // 输出前10个法向量
    std::cout << "前10个法向量:" << std::endl;
    for (int i = 0; i < 10; ++i) {
        std::cout << "点 " << i << " 的法向量:"
                  << cloud_normals->points[i].normal_x << ", "
                  << cloud_normals->points[i].normal_y << ", "
                  << cloud_normals->points[i].normal_z << std::endl;
    }

    // 可视化点云和法向量
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Point Cloud Viewer"));
    viewer->setBackgroundColor(0, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(cloud, "point_cloud");

    // 设置法向量可视化参数
    viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, cloud_normals, 10, 0.8, "normals");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_LINE_WIDTH, 3, "normals");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "normals"); // 设置法向量颜色为红色

    // 添加法向量箭头
    for (size_t i = 0; i < 10; ++i) {
        pcl::PointXYZ point(cloud->points[i].x, cloud->points[i].y, cloud->points[i].z);
        pcl::PointXYZ normal(cloud->points[i].x + cloud_normals->points[i].normal_x * 0.1,
                             cloud->points[i].y + cloud_normals->points[i].normal_y * 0.1,
                             cloud->points[i].z + cloud_normals->points[i].normal_z * 0.1);
        std::string line_id = "normal_" + std::to_string(i);
        viewer->addArrow(normal, point, 1.0, 0, 0, false, line_id);
    }

    viewer->spin();

    return 0;
}

5. 示例结果

6. 总结

        通过上述步骤,您可以使用 C++ 和 PCL 对点云数据进行法向量估计,并将结果可视化出来。当然,在实际的应用中可能涉及到更多的细节和调优,但这个简要的指南可以帮助您入门点云处理和法向量计算的基本流程。

扫描二维码关注公众号,回复: 17458105 查看本文章

        希望这篇文章对您有所帮助,若有任何问题欢迎交流讨论。

 【版权声明】
本文为博主原创文章,未经博主允许严禁转载,我们会定期进行侵权检索。  

更多python与C++技巧、计算机视觉基础到实践完整指南、三维算法、深度学习算法总结、大模型请关注我的博客,欢迎讨论与交流:https://blog.csdn.net/suiyingy,或”乐乐感知学堂“公众号。Python三维领域专业书籍推荐:《人工智能点云处理及深度学习算法》。

本文为专栏《Python三维点云实战宝典》系列文章,专栏介绍地址“【python三维深度学习】python三维点云从基础到深度学习_python3d点云从基础到深度学习-CSDN博客”。配套书籍《人工智能点云处理及深度学习算法》提供更加全面和系统的解析。

猜你喜欢

转载自blog.csdn.net/suiyingy/article/details/136732437