PCL点云聚类：以指定点为中心的C++代码示例

本文提供了一个使用PCL 1.8.1版本库进行点云聚类的C++代码示例。与传统的聚类算法不同，该算法以用户指定的点作为聚类中心，方便对特定区域进行分析。

代码示例cpp#include #include <pcl/point_types.h>#include <pcl/segmentation/extract_clusters.h>

int main(){ pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ); // 假设cloud为输入点云数据

// 设置点云数据    cloud->width = 8;    cloud->height = 1;    cloud->points.resize(cloud->width * cloud->height);

for (size_t i = 0; i < cloud->points.size(); ++i)    {        cloud->points[i].x = static_cast<float>(1024 * rand() / (RAND_MAX + 1.0));        cloud->points[i].y = static_cast<float>(1024 * rand() / (RAND_MAX + 1.0));        cloud->points[i].z = static_cast<float>(1024 * rand() / (RAND_MAX + 1.0));    }

// **指定聚类中心点**    pcl::PointXYZ center_point;    center_point.x = 0.5; // 设置您想要的中心点x坐标    center_point.y = 0.8; // 设置您想要的中心点y坐标    center_point.z = 1.2; // 设置您想要的中心点z坐标

// 计算点云中每个点到中心点的距离    std::vector<double> distances(cloud->points.size());    for (size_t i = 0; i < cloud->points.size(); ++i) {        distances[i] = pcl::euclideanDistance(cloud->points[i], center_point);    }

// 设置聚类算法的参数    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);    tree->setInputCloud(cloud);

std::vector<pcl::PointIndices> cluster_indices;    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;    ec.setClusterTolerance(0.02); // 设置聚类的容差    ec.setMinClusterSize(100);    // 设置聚类的最小尺寸    ec.setMaxClusterSize(25000);  // 设置聚类的最大尺寸    ec.setSearchMethod(tree);    ec.setInputCloud(cloud);

// 根据距离进行过滤，只保留距离中心点小于阈值的点进行聚类    double distance_threshold = 0.5; // 设置距离阈值    pcl::PointIndices::Ptr inliers(new pcl::PointIndices());    for (size_t i = 0; i < distances.size(); ++i) {        if (distances[i] <= distance_threshold) {            inliers->indices.push_back(i);        }    }

ec.setIndices(inliers); // 将过滤后的点索引传递给聚类算法    ec.extract(cluster_indices);

// 输出聚类结果    std::cout << 'Number of clusters: ' << cluster_indices.size() << std::endl;    for (const auto &indices : cluster_indices)    {        std::cout << 'Cluster size: ' << indices.indices.size() << 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;}

代码解读

引入头文件: 引入必要的PCL头文件，包括pcl/point_types.h和pcl/segmentation/extract_clusters.h。2. 创建点云: 创建 pcl::PointCloud<pcl::PointXYZ>::Ptr 类型的点云指针，并使用随机数填充点云数据。3. 指定聚类中心点: 定义 pcl::PointXYZ 类型的 center_point 变量，并设置其x、y、z坐标作为聚类中心点。4. 计算距离: 使用 pcl::euclideanDistance 函数计算点云中每个点到中心点的距离，并将结果存储在 distances 向量中。5. 设置聚类参数: 创建 pcl::search::KdTree 对象，并设置聚类算法 pcl::EuclideanClusterExtraction 的参数，包括容差、最小/最大簇大小等。6. 根据距离过滤: 设置距离阈值 distance_threshold，并将距离中心点小于该阈值的点的索引存储在 inliers 中。7. 执行聚类: 将过滤后的点索引传递给 pcl::EuclideanClusterExtraction 对象，并调用 extract 函数执行聚类。8. 输出结果: 遍历聚类结果，输出每个簇的大小和点云坐标。

总结

此代码示例展示了如何使用PCL库实现以指定点为中心的点云聚类。通过修改中心点坐标和距离阈值，您可以根据实际需求对点云进行灵活的分割和分析。