PCL 1.8.1 点云主方向计算：获取前三个最大特征值及对应特征向量

#include #include <pcl/point_types.h> #include <pcl/features/normal_3d.h> #include <pcl/features/principal_curvatures.h>

int main() { pcl::PointCloudpcl::PointXYZRGB::Ptr cloudg(new pcl::PointCloudpcl::PointXYZRGB);

// 加载点云数据到cloudg

// 创建法线估计对象
pcl::NormalEstimation<pcl::PointXYZRGB, pcl::Normal> ne;
ne.setInputCloud(cloudg);

// 创建kdtree对象
pcl::search::KdTree<pcl::PointXYZRGB>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZRGB>);
ne.setSearchMethod(tree);

// 计算点云法线
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
ne.setKSearch(10);
ne.compute(*cloud_normals);

// 创建主曲率计算对象
pcl::PrincipalCurvaturesEstimation<pcl::PointXYZRGB, pcl::Normal, pcl::PrincipalCurvatures> pc;
pc.setInputCloud(cloudg);
pc.setInputNormals(cloud_normals);

// 创建kdtree对象
pc.setSearchMethod(tree);

// 计算主方向和主曲率
pcl::PointCloud<pcl::PrincipalCurvatures>::Ptr cloud_curvatures(new pcl::PointCloud<pcl::PrincipalCurvatures>);
pc.setKSearch(10);
pc.compute(*cloud_curvatures);

// 获取特征值和特征向量
std::vector<float> eigen_values;
std::vector<Eigen::Vector3f> eigen_vectors;
for (size_t i = 0; i < cloud_curvatures->size(); i++)
{
    eigen_values.push_back(cloud_curvatures->points[i].pc1);
    eigen_vectors.push_back(cloud_curvatures->points[i].principal_curvature_x_axis);
}

// 对特征值进行排序，获取前三个最大特征值的索引
std::vector<int> max_indices;
std::partial_sort_copy(eigen_values.begin(), eigen_values.end(), std::back_inserter(max_indices), std::greater<float>());

// 输出特征值最大的前三个和对应的特征向量
for (int i = 0; i < 3; i++)
{
    std::cout << 'Eigen Value ' << i+1 << ': ' << eigen_values[max_indices[i]] << std::endl;
    std::cout << 'Eigen Vector ' << i+1 << ': ' << eigen_vectors[max_indices[i]].transpose() << std::endl;
}

return 0;

}

请注意，以上代码仅提供了一个基本的示例，实际执行时需要根据具体情况进行修改和适配。