07点云的滤波与分割

1.统计滤波,去除离群点

#include <pcl\filters\\statistical_outlier_removal.h>

#include <iostream>
#include <pcl\io\pcd_io.h>
#include <pcl\point_types.h>
#include <pcl\visualization\cloud_viewer.h>

int main() 
{
    
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);


    if (pcl::io::loadPCDFile<pcl::PointXYZ>("F:\\BaiduNetdiskDownload\\pcl\\desk.pcd", *cloud) == -1) 
    {
        PCL_ERROR("Couldn't read file rabbit.pcd\n");
        return(-1);
    }

    std::cout << "Loaded:" << cloud->width*cloud->height << "data points from test_pcd.pcd with the following fields:" << 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;
    }*/


    // 统计滤波
    // 创建滤波器，对每个点分析的临近点的个数设置为50 ，并将标准差的倍数设置为1  这意味着如果一
    // 个点的距离超出了平均距离一个标准差以上，则该点被标记为离群点，并将它移除

    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;  // 创建滤波器对象
    sor.setInputCloud(cloud);        // 设置待滤波的点云
    sor.setMeanK(50);                // 设置在进行统计时考虑查询点临近点数
    sor.setStddevMulThresh(1);        // 设置判断是否为离群点的阀值
    sor.filter(*cloud);                // 过滤

    // 存储
    pcl::io::savePCDFileBinary("desk-sor.pcd", *cloud);

    // 显示
    pcl::visualization::CloudViewer     viewer("cloud viewer");
    viewer.showCloud(cloud);

    while (!viewer.wasStopped()) {

    }

    system("pause");

    return 0;
}

2. 平面分隔

#include <pcl/point_types.h>          //PCL中所有点类型定义的头文件
#include <pcl/io/pcd_io.h>            //打开关闭pcd文件的类定义的头文件
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl\visualization\cloud_viewer.h>
#include <pcl\point_types.h>

using namespace std;


typedef pcl::PointXYZ PoinT;

// 随机产生颜色
int *rand_rgb() {
    int *rgb = new int[3];
    rgb[0] = rand() % 255;
    rgb[1] = rand() % 255;
    rgb[2] = rand() % 255;
    return rgb;
}

int main(int argc, char** argv)
{
    pcl::PointCloud<PoinT>::Ptr cloud(new pcl::PointCloud<PoinT>());
    // 加载pcd文件
    pcl::io::loadPCDFile("desk-sor.pcd", *cloud);
    std::cerr << "Cloud before filtering: " << std::endl;
    std::cerr << *cloud << std::endl;

    // 平面分隔
    pcl::PointCloud<PoinT>::Ptr cloud_filtered(new pcl::PointCloud<PoinT>());
    pcl::SACSegmentation<PoinT> seg;
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients());// 创建参数模型的的参数对象
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices());// 储存模型内点的下标索引的数组指针
    seg.setMethodType(pcl::SAC_RANSAC);     // 设置方法【聚类或随机样本一致性】
    seg.setModelType(pcl::SACMODEL_PLANE);  // 设置模型类型，检测平面
    seg.setMaxIterations(100);
    seg.setDistanceThreshold(0.01);
    // Extract the inliers
    pcl::ExtractIndices<PoinT> extract;
    extract.setNegative(true);
    int cloud_size = cloud->size();
    int i = 0;
    // 迭代进行分割直到剩余80%的点云
    while (cloud->size() > cloud_size * .8)
    {
        seg.setInputCloud(cloud);
        seg.segment(*inliers, *coefficients);// 传入的参数未进行赋值  利用参数模型进行分割
        extract.setInputCloud(cloud);
        extract.setIndices(inliers);
        extract.setNegative(false);
        extract.filter(*cloud_filtered);
        extract.setNegative(true);
        extract.filter(*cloud);
        cout << i << ":" << cloud->size() << endl;
        stringstream ss;
        ss << "desk-seg" << i << ".pcd";
        // 保存结果
        pcl::io::savePCDFileBinary(ss.str(), *cloud_filtered);
        i++;
    }


    // 显示
    pcl::visualization::CloudViewer     viewer("cloud viewer");
    viewer.showCloud(cloud);

    while (!viewer.wasStopped()) {

    }



    pcl::io::savePCDFileBinary("desk-seg.pcd", *cloud);
    return 0;
}