基于181pcl库编写以已知点p为聚类起点的kmean聚类算法的c++代码

以下是基于1.8.1版本的pcl库编写的以已知点p为聚类起点的kmean聚类算法的C++代码示例：

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/segmentation/extract_clusters.h>

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

    // 创建kdtree对象
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);

    // 设置已知点p为聚类起点
    int p_index = 100; // 假设已知点p的索引为100

    // 定义聚类对象
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.02); // 设置聚类的容差
    ec.setMinClusterSize(100); // 设置聚类的最小点数
    ec.setMaxClusterSize(25000); // 设置聚类的最大点数
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud);

    // 设置聚类的种子点
    pcl::PointIndices::Ptr seed_indices(new pcl::PointIndices);
    seed_indices->indices.push_back(p_index);
    ec.setIndices(seed_indices);

    // 执行聚类
    std::vector<pcl::PointIndices> cluster_indices;
    ec.extract(cluster_indices);

    // 输出聚类结果
    for (const auto &indices : cluster_indices)
    {
        std::cout << "Cluster with " << indices.indices.size() << " points:" << std::endl;
        for (const auto &index : indices.indices)
        {
            std::cout << "  (" << cloud->points[index].x << ", "
                      << cloud->points[index].y << ", "
                      << cloud->points[index].z << ")" << std::endl;
        }
        std::cout << std::endl;
    }

    return 0;
}

请注意，此代码假设已知点p的索引为100，你需要根据实际情况进行调整。此外，你需要将点云数据保存为名为"input_cloud.pcd"的PCD文件，并确保已安装并正确配置了PCL库。