基于PCL库的C++ K-Means点云聚类算法实现(附代码)

基于PCL库的C++ K-Means点云聚类算法实现

本文提供了一个使用PCL库编写的C++ K-Means点云聚类算法示例代码。该代码实现了以点云数据中任意点为中心的聚类功能，并可以自定义聚类半径。

代码功能：

• 输入一个点云数据。
• 以点云数据中的每个点为中心，进行K-Means聚类。
• 自定义聚类半径。
• 输出每个聚类的点云数据。

代码实现：

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/features/normal_3d.h>
#include <vector>

// 定义聚类函数
void kMeansClustering(const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, const double xj, const double yj, const double zj, const double r, std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr>& clusters)
{
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    kdtree.setInputCloud(cloud);

    std::vector<pcl::PointIndices> clusterIndices;
    std::vector<bool> visited(cloud->size(), false);

    for (int i = 0; i < cloud->size(); i++)
    {
        if (visited[i])
            continue;

        pcl::PointXYZ searchPoint(cloud->points[i]);
        std::vector<int> pointIdxRadiusSearch;
        std::vector<float> pointRadiusSquaredDistance;

        if (kdtree.radiusSearch(searchPoint, r, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)
        {
            pcl::PointIndices cluster;
            cluster.indices.push_back(i);
            visited[i] = true;

            for (size_t j = 0; j < pointIdxRadiusSearch.size(); j++)
            {
                int index = pointIdxRadiusSearch[j];

                if (!visited[index])
                {
                    pcl::PointXYZ point = cloud->points[index];
                    double distance = sqrt(pow(point.x - xj, 2) + pow(point.y - yj, 2) + pow(point.z - zj, 2));

                    if (distance <= r)
                    {
                        cluster.indices.push_back(index);
                        visited[index] = true;
                    }
                }
            }

            clusterIndices.push_back(cluster);
        }
    }

    // 将聚类结果存储到指针容器中
    for (const auto& indices : clusterIndices)
    {
        pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (const auto& index : indices.indices)
        {
            cluster->push_back(cloud->points[index]);
        }
        clusters.push_back(cluster);
    }
}

int main()
{
    // 假设已经定义了clouds和yenn

    // 设置参数
    double r = 0.1; // 聚类半径

    // 进行聚类
    std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> clusters;
    for (int i = 0; i < clouds.size(); i++)
    {
        for (int j = 0; j < clouds[i]->size(); j++)
        {
            double xj = clouds[i]->points[j].x;
            double yj = clouds[i]->points[j].y;
            double zj = clouds[i]->points[j].z;

            pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
            kMeansClustering(clouds[i], xj, yj, zj, r, clusters);
        }
    }

    // 输出聚类结果
    for (const auto& cluster : clusters)
    {
        std::cout << 'Cluster Size: ' << cluster->size() << std::endl;
        for (const auto& point : cluster->points)
        {
            std::cout << '(' << point.x << ', ' << point.y << ', ' << point.z << ')' << std::endl;
        }
        std::cout << std::endl;
    }

    return 0;
}

代码说明：

• 该代码使用了PCL库中的pcl::KdTreeFLANN类进行快速最近邻搜索。
• kMeansClustering函数实现了以指定点为中心，半径为r的K-Means聚类算法。
• main函数中假设已经定义了点云数据clouds和另一个变量yenn，你需要根据实际情况进行修改。
• 可以根据需要修改聚类半径r的值。

注意事项:

• 你需要安装PCL库才能编译运行该代码。
• 该代码仅为示例代码，你需要根据实际需求进行修改和完善。

希望以上代码可以帮助你理解如何使用PCL库实现K-Means点云聚类算法。