PCL近邻搜索相关的类
首先PCL定义了搜索的基类pcl::search::Search<PointInT>
template<typename PointT>
class Search
其子类包括:KD树,八叉树,FLANN快速搜索,暴力搜索(brute force),有序点云搜索。
The pcl_search library provides methods for searching for nearest neighbors using different data structures, including:
|
search类都定义了两种最常见的近邻搜索模式:k近邻搜索,球状固定距离半径近邻搜索。
virtual int nearestKSearch (const PointT &point, int k, std::vector<int> &k_indices, std::vector<float> &k_sqr_distances) const = ; virtual int radiusSearch (const PointT& point, double radius, std::vector<int>& k_indices, std::vector<float>& k_sqr_distances, unsigned int max_nn = ) const = ;
还有一种比较有用的方式是:圆柱固定距离半径搜索,即在XOY平面的投影距离,目前没有看到PCL中的专门的实现方式,可以通过一种折中的方法解决octree。
还有就是通过累积地图实现的投影到XOY平面内的简单搜索。
Weinmann, M., et al. (2015). "Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers." ISPRS Journal of Photogrammetry and Remote Sensing 105: 286-304.
在feature模块中大量使用了近邻搜索的东西。近邻搜索是很多点云计算的基础功能。
示例
如下调用了点云KD树近邻搜索实现了8个基于特征值的点云特征计算:
QString filePly = dlg.txtPath->text();
std::wstring pszRoomFile1 = filePly.toStdWString();
char buffer[];
size_t ret = wcstombs(buffer, pszRoomFile1.c_str(), sizeof(buffer));
const char * pszShapeFile = buffer;
char * file_name = (char*)pszShapeFile;
pcl::PointCloud<pcl::PointXYZ>::Ptr input_(new pcl::PointCloud<pcl::PointXYZ>);
/*------------读取PLY文件-------------*/
if (pcl::io::loadPLYFile<pcl::PointXYZ>(file_name, *input_) == -) //* load the file
{
PCL_ERROR("Couldn't read file test_pcd.pcd \n");
QMessageBox::information(NULL, "Title", "Content", QMessageBox::Yes | QMessageBox::No, QMessageBox::Yes);
}
double search_radius_ = dlg.sb_scale2->value();
int k_=;
double search_parameter_ = 0.0;
/*------------构造索引-------------*/
boost::shared_ptr <std::vector<int> > indices_;
if (!indices_)
{
indices_.reset(new std::vector<int>);
try
{
indices_->resize(input_->points.size());
}
catch (const std::bad_alloc&)
{
PCL_ERROR("[initCompute] Failed to allocate %lu indices.\n", input_->points.size());
}
for (size_t i = ; i < indices_->size(); ++i) { (*indices_)[i] = static_cast<int>(i); }
}
std::vector<int> nn_indices(k_);
std::vector<float> nn_dists(k_);
/*---------------构造KD树-------------*/
//pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ> >(new pcl::search::KdTree<pcl::PointXYZ>);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(input_);
SearchMethodSurface search_method_surface_;
if (search_radius_ != 0.0)
{
search_parameter_ = search_radius_;
int (pcl::search::Search<pcl::PointXYZ>::*radiusSearchSurface)(const PointCloudIn &cloud, int index, double radius,
std::vector<int> &k_indices, std::vector<float> &k_distances,
unsigned int max_nn) const = &pcl::search::Search<pcl::PointXYZ>::radiusSearch;
search_method_surface_ = boost::bind(radiusSearchSurface, boost::ref(tree), _1, _2, _3, _4, _5, );
}
else
{
search_parameter_ = k_;
int (pcl::search::Search<pcl::PointXYZ>::*nearestKSearchSurface)(const PointCloudIn &cloud, int index, int k, std::vector<int> &k_indices,
std::vector<float> &k_distances) const = &pcl::search::Search<pcl::PointXYZ>::nearestKSearch;
search_method_surface_ = boost::bind(nearestKSearchSurface, boost::ref(tree), _1, _2, _3, _4, _5);
}
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
PointCloudOut& output = *cloud_normals;
AxPointCloudOut output_pts;
if (input_->size() < )
{
return;
}
else/*--------------计算特征值和特征向量-------------*/
{
output_pts.resize(input_->size());
//output_pts.reserve(input_->size(), (new AxPoint()));
#ifdef _OPENMP
#pragma omp parallel for shared (output_pts) private (nn_indices, nn_dists) num_threads(threads_)
#endif
// Iterating over the entire index vector
for (int idx = ; idx < static_cast<int> (indices_->size()); ++idx)
{
if (search_method_surface_(*input_, (*indices_)[idx], search_parameter_, nn_indices, nn_dists) == )
{
output.points[idx].normal[] = output.points[idx].normal[] = output.points[idx].normal[] = output.points[idx].curvature = std::numeric_limits<float>::quiet_NaN(); output.is_dense = false;
continue;
} EIGEN_ALIGN16 Eigen::Matrix3f covariance_matrix;
// 16-bytes aligned placeholder for the XYZ centroid of a surface patch
Eigen::Vector4f xyz_centroid; if (pcl::computeMeanAndCovarianceMatrix(*input_, nn_indices, covariance_matrix, xyz_centroid) == )
{
continue;
} EIGEN_ALIGN16 Eigen::Matrix3f eigen_vector3;
EIGEN_ALIGN16 Eigen::Vector3f eigen_values;
//计算特征值和特征向量
pcl::eigen33(covariance_matrix, eigen_vector3, eigen_values);
double eig_val1 = eigen_values[];
double eig_val2 = eigen_values[];
double eig_val3 = eigen_values[]; output_pts[idx].x = input_->at((*indices_)[idx]).x;
output_pts[idx].y = input_->at((*indices_)[idx]).y;
output_pts[idx].z = input_->at((*indices_)[idx]).z;
output_pts[idx].eig_val1 = eig_val1;
output_pts[idx].eig_val2 = eig_val2;
output_pts[idx].eig_val3 = eig_val3;
}
QString savefilePly = filePly.replace(".ply",".txt");
std::wstring psaveFile1 = savefilePly.toStdWString();
char buffer[];
size_t ret = wcstombs(buffer, psaveFile1.c_str(), sizeof(buffer));
const char * psavetxtFile = buffer;
char * file_name_2 = (char*)psavetxtFile;
FILE* saveFeaturePointCloud = fopen(file_name_2, "w");
for (int i = ; i < output_pts.size(); i++)
{
float x = output_pts[i].x;
float y = output_pts[i].y;
float z = output_pts[i].z; //注意:eig_val1最小
float eig_val1 = output_pts[i].eig_val1;
float eig_val2 = output_pts[i].eig_val2;
float eig_val3 = output_pts[i].eig_val3;
float eig_sum = eig_val1 + eig_val2 + eig_val3; float e1 = , e2 = , e3 = ;
float Linearity = ;
float Planarity = ;
float Scattering = ;
float Omnivariance = ;
float Anisotropy = ;
float EigenEntropy = ;
float changeOfcurvature = ;
if (eig_sum != )
{
e1 = eig_val3 / eig_sum;
e2 = eig_val2 / eig_sum;
e3 = eig_val1 / eig_sum;
Linearity = (e1 - e2) / e1;
Planarity = (e2 - e3) / e1;
Scattering = e3 / e1;
Omnivariance = pow(e1*e2*e3, / );
Anisotropy = (e1 - e3) / e1;
EigenEntropy = -(e1*log(e1) + e2*log(e2) + e3*log(e3));
//计算曲率变化
changeOfcurvature = fabsf(e1 / (e1 + e2 + e3));
}
else
changeOfcurvature = ;
//x,y,z,e1,e2,e3,
//Linearity,Planarity,Scattering,Omnivariance,Anisotropy,
//Eigenentropy,Sum of eigenvalues,Change of curvature
fprintf(saveFeaturePointCloud, "%f %f %f %f %f %f %f %f %f %f %f %f %f %f\n", x, y, z, eig_val1, eig_val2, eig_val3,
Linearity, Planarity, Scattering, Omnivariance, Anisotropy, EigenEntropy, eig_sum, changeOfcurvature);
}
fclose(saveFeaturePointCloud);
}
PCL近邻搜索相关的类的更多相关文章
- 【Elasticsearch 7 探索之路】(五)搜索相关 Search-API
本节主要讲解 Elasticsearch 的 搜索相关功能 Search-API,讲解什么是 URL Search 和 Request Body Search 的语法,对常用的语法都会一一进行详细介绍 ...
- Hibernate 系列 04 - Hibernate 配置相关的类
引导目录: Hibernate 系列教程 目录 前言: 通过上一篇的增删改查小练习之后,咱们大概已经掌握了Hibernate的基本用法. 我们发现,在调用Hibernate API的过程中,虽然Hib ...
- linux 搜索相关命令(2)
文件搜索相关命令 1:locate命令 需要 yum install mlocate locate 文件名 在后台数据库中按文件名搜索,搜索速度更快 /var/lib/mlocate #locate命 ...
- jsonp模拟获取百度搜索相关词汇
随便写了个jsonp模拟百度搜索相关词汇的小demo,帮助新手理解jsonp的用法. <!DOCTYPE html><html lang="en">< ...
- SWIFT 通过字符串创建相关的类
import UIKit @UIApplicationMain class AppDelegate: UIResponder, UIApplicationDelegate { var window: ...
- 模拟在内存中的数据库DataSet相关的类
这篇连着上一篇DataReader相关类. 下面两段话是在msdn官网摘下来: .NET Framework 数据提供程序是专门为数据操作以及快速.只进.只读访问数据而设计的组件.Conn ...
- 前端html 中jQuery实现对文本的搜索并把搜索相关内容显示出来
做项目的时候有这么一个需求,客户信息显示出来后我要搜索查找相关的客户,并把相关的客户信息全部显示出来,因为一个客户全部信息我写在一个div里面 所以显示的时候就是显示整个div.先看看实现的效果: ...
- android中与SQLite数据库相关的类
为什么要在应用程序中使用数据库?数据库最主要的用途就是作为数据的存储容器,另外,由于可以很方便的将应用程序中的数据结构(比如C语言中的结构体)转化成数据库的表,这样我们就可以通过操作数据库来替代写一堆 ...
- bootstrap 强调相关的类
.text-muted:提示,使用浅灰色(#999) .text-primary:主要,使用蓝色(#428bca) .text-success:成功,使用浅绿色(#3c763d) .text-info ...
随机推荐
- Java线程池ExecutorService 代码备忘
ExecutorService fixedThreadPool = Executors.newFixedThreadPool(5)创建一个定长线程池,可控制线程最大并发数,超出的线程会在队列中等待 p ...
- pandas画图-【老鱼学pandas】
本节主要讲述如何把pandas中的数据用图表的方式显示在屏幕上,有点类似在excel中显示图表. 安装matplotlib 为了能够显示图表,首先需要安装matplotlib库,安装方法如下: pip ...
- 普通用户登陆系统显示 -bash-4.1$
如题,今天上午用户登陆系统之后显示-bash-4.1$ 造成这样的原因: 与这个用户有关环境变量没了,有关的文件被删除.也就是用户的家目录下面 .bash_profile .bashrc 被删除. 解 ...
- Hadoop| YARN| 计数器| 压缩| 调优
1. 计数器应用 2. 数据清洗(ETL) 在运行核心业务MapReduce程序之前,往往要先对数据进行清洗,清理掉不符合用户要求的数据.清理的过程往往只需要运行Mapper程序,不需要运行Reduc ...
- mysql 正则表达式问号
MySQL 中,用正则表达式匹配?,需要使用两个转义字符 \\? 因使用一个被坑了很久.
- VMware和Centos安装使用
下载centos系统ISO镜像 要安装centos系统,就必须得有centos系统软件安装程序,可以通过浏览器访问centos官网http://www.centos.org,然后找到Downloads ...
- Android中的Application类在应用程序中的应用
Application类 每次应用程序运行时,应用程序的Application类都保持实例化状态(都会持有该Application实例).与Activity不同的是,配置改变并不会导致应用程序重启.在 ...
- DWM1000 测距原理简单分析 之 SS-TWR代码分析2 -- [蓝点无限]
蓝点DWM1000 模块已经打样测试完毕,有兴趣的可以申请购买了,更多信息参见 蓝点论坛 正文: 首先将SS 原理介绍中的图片拿过来,将图片印在脑海里. 对于DeviceA 和 DeviceB来说,初 ...
- DWM1000 测距原理简单分析 之 SS-TWR代码分析1 -- [蓝点无限]
蓝点DWM1000 模块已经打样测试完毕,有兴趣的可以申请购买了,更多信息参见 蓝点论坛 正文: 这一篇内容主要是通过官方源码理解SS-TWR 细节 代码下载链接:https://download.c ...
- 更新node和npm到最新版本
卸载 1.首先卸载nodejs,打开控制面板,然后找到程序卸载: 2.找到npm目录和npmcache 目录,直接删掉(一般情况下会在C:\Users\Caffrey\AppData\Roaming\ ...