PCL：点云处理的终极解决方案，机器视觉必备

花哥2024年12月04日约 3 分钟

等你来关注！

PCL：点云处理的终极解决方案，机器视觉必备

点云，简单来说就是一堆在三维空间里的点，它们能描述物体的形状、大小、甚至纹理。PCL（Point Cloud Library）是一个专注于点云处理的开源库，如果你需要在机器视觉中处理点云数据，它绝对是个好帮手。接下来，我们聊聊 PCL 的一些基础知识和开发技巧。

点云的读取与可视化

处理点云的第一步是搞清楚怎么读数据。PCL 支持多种点云格式，比如 PCD 和 PLY。以下是读取一个点云文件并简单可视化的代码：

#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
int main() {
// 创建点云对象
pcl：：PointCloud<pcl：：PointXYZ>：：Ptr cloud(new pcl：：PointCloud<pcl：：PointXYZ>)；
// 读取 PCD 文件
if (pcl：：io：：loadPCDFile<pcl：：PointXYZ>(“example.pcd”， *cloud) == -1) {
PCL_ERROR(“读取文件失败！\n”)；
return -1；
}
// 创建可视化窗口
pcl：：visualization：：CloudViewer viewer(“点云可视化”)；
viewer.showCloud(cloud)；
// 防止窗口直接关闭
while (！viewer.wasStopped()) {}
return 0；
}

这个例子干了三件事：加载点云文件、创建可视化窗口、把点云显示出来。运行后，你会看到一个窗口，里面就是你的三维点云模型。 小提醒：文件路径要对！不然你会看到一堆报错，让人头疼。

点云滤波：让数据更精致

点云数据通常很“脏”，可能有噪点、冗余点。滤波就是清理这些数据的过程。PCL 提供了很多滤波算法，比如体素网格降采样。看代码：

#include <pcl/filters/voxel_grid.h>
void downsamplePointCloud(pcl：：PointCloud<pcl：：PointXYZ>：：Ptr cloud) {
pcl：：VoxelGrid<pcl：：PointXYZ> voxelFilter；
voxelFilter.setInputCloud(cloud)；
voxelFilter.setLeafSize(0.01f， 0.01f， 0.01f)；// 设置体素大小
pcl：：PointCloud<pcl：：PointXYZ>：：Ptr filteredCloud(new pcl：：PointCloud<pcl：：PointXYZ>)；
voxelFilter.filter(*filteredCloud)；
std：：cout << “降采样后点数：” << filteredCloud->size() << std：：endl；
}

这个代码的核心是 VoxelGrid，它会把原始点云切成很多小格子，每个格子只保留一个点。结果？点云数据量大大减少，但仍保留了大致形状。 温馨提示：体素大小别太大，不然你的点云可能会变成“马赛克”。

点云分割：提取你要的部分

很多时候，点云里有很多你根本不需要的部分，比如背景或噪声。分割能帮你把有用的部分提取出来。比如平面提取：

#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/filters/extract_indices.h>
void segmentPlane(pcl：：PointCloud<pcl：：PointXYZ>：：Ptr cloud) {
pcl：：SACSegmentation<pcl：：PointXYZ> seg；
seg.setModelType(pcl：：SACMODEL_PLANE)；
seg.setMethodType(pcl：：SAC_RANSAC)；
seg.setDistanceThreshold(0.01)；
pcl：：ModelCoefficients：：Ptr coefficients(new pcl：：ModelCoefficients)；
pcl：：PointIndices：：Ptr inliers(new pcl：：PointIndices)；
seg.setInputCloud(cloud)；
seg.segment(*inliers， *coefficients)；
if (inliers->indices.empty()) {
std：：cerr << “没找到平面！” << std：：endl；
return；
}
pcl：：ExtractIndices<pcl：：PointXYZ> extract；
extract.setInputCloud(cloud)；
extract.setIndices(inliers)；
extract.setNegative(false)；// 保留平面点
pcl：：PointCloud<pcl：：PointXYZ>：：Ptr planeCloud(new pcl：：PointCloud<pcl：：PointXYZ>)；
extract.filter(*planeCloud)；
std：：cout << “平面点数：” << planeCloud->size() << std：：endl；
}