对点云的操作可以直接应用变换矩阵，即旋转，平移，尺度，3D的变换就是要使用4*4 的矩阵,例如：
等等模型
在这里直接使用程序开实现一个点云的旋转，新建文件matrix.cpp
#include <iostream> #include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/point_cloud.h>
#include <pcl/console/parse.h>
#include <pcl/common/transforms.h>
#include <pcl/visualization/pcl_visualizer.h>
// 命令行的帮助提示
void showHelp(char * program_name)
{
std::cout << std::endl;
std::cout << "Usage: " << program_name << " cloud_filename.[pcd|ply]" << std::endl;
std::cout << "-h: Show this help." << std::endl;
} int main (int argc, char** argv)
{
if (pcl::console::find_switch (argc, argv, "-h") || pcl::console::find_switch (argc, argv, "--help")) {
showHelp (argv[]);
return ;
}
// 读取文件
std::vector<int> filenames;
bool file_is_pcd = false;
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".ply");
if (filenames.size () != ) {
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".pcd");
if (filenames.size () != ) {
showHelp (argv[]);
return -;
} else {
file_is_pcd = true;
}
}
//载入文件
pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud (new pcl::PointCloud<pcl::PointXYZ> ()); if (file_is_pcd) {
if (pcl::io::loadPCDFile (argv[filenames[]], *source_cloud) < ) {
std::cout << "Error loading point cloud " << argv[filenames[]] << std::endl << std::endl;
showHelp (argv[]);
return -;
}
} else {
if (pcl::io::loadPLYFile (argv[filenames[]], *source_cloud) < ) {
std::cout << "Error loading point cloud " << argv[filenames[]] << std::endl << std::endl;
showHelp (argv[]);
return -;
}
} /* Reminder: how transformation matrices work : |-------> This column is the translation
| 1 0 0 x | \
| 0 1 0 y | }-> The identity 3x3 matrix (no rotation) on the left
| 0 0 1 z | /
| 0 0 0 1 | -> We do not use this line (and it has to stay 0,0,0,1) METHOD #1: Using a Matrix4f
This is the "manual" method, perfect to understand but error prone !
*/
Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity(); // Define a rotation matrix 定义旋转的角度 再有角度计算出旋转矩阵
float theta = M_PI/; // The angle of rotation in radians
transform_1 (,) = cos (theta);
transform_1 (,) = -sin(theta);
transform_1 (,) = sin (theta);
transform_1 (,) = cos (theta);
// (row, column) // Define a translation of 2.5 meters on the x axis.
transform_1 (,) = 2.5;//意思就是在第一行第四个元素的值为2.5，也就是在x轴的平移为2.5 // Print the transformation 打印出这个变换矩阵
printf ("Method #1: using a Matrix4f\n");
std::cout << transform_1 << std::endl; /* METHOD #2: Using a Affine3f 第二种方案
This method is easier and less error prone 更简单的方案
*/
Eigen::Affine3f transform_2 = Eigen::Affine3f::Identity(); // Define a translation of 2.5 meters on the x axis.
transform_2.translation() << 2.5, 0.0, 0.0; // The same rotation matrix as before; theta radians arround Z axis
transform_2.rotate (Eigen::AngleAxisf (theta, Eigen::Vector3f::UnitZ())); // Print the transformation
printf ("\nMethod #2: using an Affine3f\n");
std::cout << transform_2.matrix() << std::endl; // Executing the transformation
pcl::PointCloud<pcl::PointXYZ>::Ptr transformed_cloud (new pcl::PointCloud<pcl::PointXYZ> ());
// 你可以使用 transform_1 或者 transform_2;效果都是一样的
pcl::transformPointCloud (*source_cloud, *transformed_cloud, transform_2); // 可视化的
printf( "\nPoint cloud colors : white = original point cloud\n"
" red = transformed point cloud\n");
pcl::visualization::PCLVisualizer viewer ("Matrix transformation example"); // 为点云设置RGB的值
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> source_cloud_color_handler (source_cloud, , , );
// We add the point cloud to the viewer and pass the color handler
viewer.addPointCloud (source_cloud, source_cloud_color_handler, "original_cloud"); pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> transformed_cloud_color_handler (transformed_cloud, , , ); // Red
viewer.addPointCloud (transformed_cloud, transformed_cloud_color_handler, "transformed_cloud"); viewer.addCoordinateSystem (1.0, );
viewer.setBackgroundColor(0.05, 0.05, 0.05, ); //设置背景颜色
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, , "original_cloud");
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, , "transformed_cloud");
//viewer.setPosition(800, 400); // Setting visualiser window position while (!viewer.wasStopped ()) { // Display the visualiser until 'q' key is pressed
viewer.spinOnce ();
} return ;
}
编译后我们随便找一个PCD文件查看效果，也可以该程序的参数，查看不同的参数的结果
命令窗口打印的结果
可视化的结果
(2)移除 NaNs:
从传感器获得的点云可能包含几种测量误差和/或不准确。其中之一是在一些点的坐标中存在NaN（不是数）值，正如你在下面的文件中看到的那样：
# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z rgba
SIZE 4 4 4 4
TYPE F F F U
COUNT 1 1 1 1
WIDTH 640
HEIGHT 480
VIEWPOINT 0 0 0 1 0 0 0
POINTS 307200
DATA ascii
nan nan nan 10135463
nan nan nan 10398635
nan nan nan 10070692
nan nan nan 10268071
...
点云对象的成员函数有称为“is_dense()”，如果所有的点都有效的返回true是为有限值。一个NaNs表明测量传感器距离到该点的距离值是有问题的，可能是因为传感器太近或太远，或者因为表面反射。那么当存在无效点云的NaNs值作为算法的输入的时候，可能会引起很多问题，比如“"Assertion `point_representation_->isValid (point) && "Invalid (NaN, Inf) point coordinates given to radiusSearch!"' failed."”如果发生这样的错误就要移除这些点，那么下面就是为了解决移除无效点的程序
#include <pcl/io/pcd_io.h>
#include <pcl/filters/filter.h>
#include <iostream>
#include <pcl/visualization/cloud_viewer.h> int main(int argc,char** argv)
{
if(argc !=)
{
std::cout <<"\tUsage: "<<argv[] <<"<input cloud> <output cloud>" <<std::endl; return -;
} //object for string the point cloud
pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>);
//read a PCDfile from disk
if(pcl::io::loadPCDFile<pcl::PointXYZRGBA>(argv[],*cloud) !=)
{
return -;
} //the mapping tells you to that points of the oldcloud the new ones correspond
//but we will not use it
std::vector<int> mapping;
pcl::removeNaNFromPointCloud(*cloud, *cloud, mapping);
//pcl::removeNaNFromPointCloud(*cloud, *cloud, mapping);
//save it back
pcl::io::savePCDFileASCII(argv[],*cloud); pcl::visualization::CloudViewer viewer(argv[]);
viewer.showCloud(cloud);
while (!viewer.wasStopped())
{
// Do nothing but wait.
} }
然后可以显示移除NaNs点后的可视图，
这张点云是我自己用kinect 生成的点云，在没有移除NaNs的时候可以先读取以下，显示他的点云数值在命令窗口，你会发现会有很多的NaNs的无效点，经过
移除这些点之后在read一些打印处的结果就不会存在NaNs的无效点，这样在后期的使用算法的时候就不会出现错误了。
这种方法的问题是它不会保持点云仍然是有序点云。所有的点云都存储一个“宽度”和“高度”变量。在无序点云，总数为宽度相同，而高度设置为1。在有序的点云（像从相机拍摄像传感器如Kinect或Xtion的），宽度和高度都相同的像素的图像分辨率传感器的工作。点云分布在深度图像的行中，每一个点对应一个像素。成员函数”isorganized()”如果高度大于1时返回真。
由于移除NaNs无效点会改变点云的点的数量，它不再能保持组织与原来的宽高比，所以函数将设置高度1。这不是一个大问题，只有少数的PCL的算法工作明确要求是有序的点云（大多这样情况下会使用在优化上），但你必须考虑其中的影响。
暂时就到这里了。。。。。。
微信公众号号可扫描二维码一起共同学习交流
