基于PCL库的欧式聚类算法：以已知点为起点并可视化结果

以下是基于PCL库将欧式聚类改写为以已知点p为聚类起点并将聚类结果可视化的C++算法的示例代码：

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/normal_3d.h>
#include <pcl/segmentation/region_growing.h>

int main(int argc, char** argv)
{
    // 加载点云数据
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile<pcl::PointXYZ>('input_cloud.pcd', *cloud);

    // 创建法线估计对象
    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);
    ne.compute(*cloud_normals);

    // 创建区域生长对象
    pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> rg;
    rg.setMinClusterSize(100);  // 设置最小聚类大小
    rg.setMaxClusterSize(10000);  // 设置最大聚类大小
    rg.setSearchMethod(tree);
    rg.setNumberOfNeighbours(30);  // 设置邻域点数
    rg.setInputCloud(cloud);
    rg.setInputNormals(cloud_normals);

    // 设置聚类起点
    pcl::PointXYZ seed_point;
    seed_point.x = 1.0;
    seed_point.y = 2.0;
    seed_point.z = 3.0;
    std::vector<pcl::PointIndices> clusters;
    rg.setIndicesForClustering(pcl::IndicesPtr(new std::vector<int>()), pcl::IndicesPtr(new std::vector<int>()));
    rg.setPointColorThreshold(6);
    rg.setRegionColorThreshold(5);
    rg.setDistanceThreshold(0.1);
    rg.setSmoothModeFlag(true);
    rg.setCurvatureTestFlag(true);
    rg.setCurvatureThreshold(1.0);
    rg.setRescaleValues(true);
    rg.setSeedPoint(seed_point);
    rg.extract(clusters);

    // 可视化聚类结果
    pcl::visualization::PCLVisualizer viewer('Cluster viewer');
    viewer.setBackgroundColor(0.0, 0.0, 0.0);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, 'cloud');
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, 'cloud');

    int cluster_index = 1;
    for (const auto& cluster : clusters) {
        pcl::PointCloud<pcl::PointXYZ>::Ptr cluster_cloud(new pcl::PointCloud<pcl::PointXYZ>);
        for (const auto& index : cluster.indices) {
            cluster_cloud->push_back((*cloud)[index]);
        }

        pcl::visualization::PointCloudColorHandlerRandom<pcl::PointXYZ> color_handler(cluster_cloud);
        std::string cluster_name = 'cluster' + std::to_string(cluster_index);
        viewer.addPointCloud<pcl::PointXYZ>(cluster_cloud, color_handler, cluster_name);
        viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, cluster_name);

        cluster_index++;
    }

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

在上述代码中，首先加载点云数据，并创建法线估计对象。然后，创建区域生长对象，并设置聚类的参数。接下来，设置聚类起点，并调用extract函数进行聚类。最后，使用PCL可视化库将聚类结果可视化。

请注意，上述代码中的input_cloud.pcd是输入点云文件的路径，你需要将其替换为你自己的点云文件路径。另外，你还可以根据需要调整聚类的参数，以获得更好的聚类效果。