写一段以已知点px1y1z1为聚类起点的对点云ply文件欧式聚类的c++代码

下面是一个简单的C++代码示例，用于对点云PLY文件进行欧式聚类，其中以已知点p（x1,y1,z1）作为聚类的起点。

#include <iostream>
#include <fstream>
#include <vector>
#include <cmath>

// 定义点的结构体
struct Point {
    float x, y, z;
};

// 计算两点之间的欧氏距离
float euclideanDistance(const Point& p1, const Point& p2) {
    float dx = p1.x - p2.x;
    float dy = p1.y - p2.y;
    float dz = p1.z - p2.z;
    return std::sqrt(dx * dx + dy * dy + dz * dz);
}

// 欧式聚类函数
void euclideanClustering(const std::vector<Point>& points, const Point& startPoint, float distanceThreshold, std::vector<int>& clusterIndices) {
    clusterIndices.clear();

    // 遍历所有点，将距离起点小于阈值的点加入同一个聚类
    for (int i = 0; i < points.size(); i++) {
        float distance = euclideanDistance(points[i], startPoint);
        if (distance < distanceThreshold) {
            clusterIndices.push_back(i);
        }
    }
}

int main() {
    std::vector<Point> points;  // 存储点云数据的向量
    std::ifstream file("input.ply");  // 从PLY文件中读取点云数据

    // 读取PLY文件中的点云数据
    while (!file.eof()) {
        Point p;
        file >> p.x >> p.y >> p.z;
        points.push_back(p);
    }
    file.close();

    Point startPoint;  // 聚类起点
    startPoint.x = x1;
    startPoint.y = y1;
    startPoint.z = z1;

    float distanceThreshold = 0.1;  // 距离阈值
    std::vector<int> clusterIndices;  // 存储聚类结果的向量

    // 进行欧式聚类
    euclideanClustering(points, startPoint, distanceThreshold, clusterIndices);

    // 输出聚类结果
    std::cout << "Cluster indices: ";
    for (int i = 0; i < clusterIndices.size(); i++) {
        std::cout << clusterIndices[i] << " ";
    }
    std::cout << std::endl;

    return 0;
}

请注意，上述代码只是一个简单的示例，并没有进行错误检查和完整的实现。您可能需要根据实际需求进行适当的修改和完善。同时，您需要将代码中的“input.ply”替换为您自己的PLY文件路径，并将x1、y1、z1替换为实际的起点坐标。