PCL 新增自定义点云类型

简介: PCL 新增自定义点云类型

pcl 库自身定义了很多中类型的 点云类型变量 。

但是在使用时 如果 希望 使用 自己定义的 点云类型 ,可以 通过 特定的 类 /算法 的模板文件实现

具体代码方法如下:

CMakeList.txt

首先构建 编译文件
使用PCL就这么搞就行了

# 声明要求的 cmake 最低版本
cmake_minimum_required(VERSION 2.8 )
# 添加c++ 11 标准支持
set(CMAKE_CXX_FLAGS "-std=c++11")
# 寻找PCL的库
find_package(PCL REQUIRED COMPONENT common io)
# 添加头文件
include_directories(${PCL_INCLUDE_DIRS})
add_definitions( ${PCL_DEFINITIONS} )
#添加一个可执行程序
add_executable(AddPointStyle_test AddPointStyle.cpp)
#链接PCL 库
target_link_libraries(AddPointStyle_test ${PCL_LIBRARIES})

Code

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>

需要包换的头文件

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%、

struct MyPointType    //定义点类型结构
{
    PCL_ADD_POINT4D;  //该点类型有4个元素      
 
    /*尝试新增一个自定义*/  
    float JoneAdd;    //定义自己新增的类型名称
     //测试了添加这么多个也没问题
    float JoneAdd1;
    float JoneAdd2;
    float JoneAdd3;
    float JoneAdd4;
    float JoneAdd5;
    float JoneAdd6;
    float JoneAdd7;
    float JoneAdd8;
    float JoneAdd9;

    EIGEN_MAKE_ALIGNED_OPERATOR_NEW   //确保new操作符对齐操作 

}EIGEN_ALIGN16;   //强制SSE 对齐

定义一个结构体 为 自己定义的点 的 结构
在这里插入图片描述
点类型的名称
在这里插入图片描述
PCL_ADD_POINT4D 宏定义(pcl库的) 里面分别有 x、y、z 还有一个对齐变量
在这里插入图片描述
自己定义的 点里包含的变量名称
在这里插入图片描述
测试了可以添加这么多变量也没问题

在这里插入图片描述
pcl的宏定义 直接用就行了

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

POINT_CLOUD_REGISTER_POINT_STRUCT(MyPointType,    //注册点类型宏
    (float ,x,x)
    (float ,y,y)
    (float ,z,z)
    (float ,JoneAdd,JoneAdd)
    (float ,JoneAdd,JoneAdd1)
    (float ,JoneAdd,JoneAdd2)
    (float ,JoneAdd,JoneAdd3)
    (float ,JoneAdd,JoneAdd4)
    (float ,JoneAdd,JoneAdd5)
    (float ,JoneAdd,JoneAdd6)
    (float ,JoneAdd,JoneAdd7)
    (float ,JoneAdd,JoneAdd8)
    (float ,JoneAdd,JoneAdd9)
    )

注册点类型宏
固定步骤
按照上的格式 ,先是上面定义的结构体的名称。后面时点的各变量

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

int main(int argc, char const *argv[])
{
    pcl::PointCloud <MyPointType> cloud;

    cloud.points.resize(2);

    cloud.width=2;

    cloud.height=1;

    cloud.points[0].x=cloud.points[0].y=cloud.points[0].z=1;

    cloud.points[1].x=cloud.points[1].y=cloud.points[1].z=3;

    cloud.points[0].JoneAdd = 1.2;

    cloud.points[1].JoneAdd = 3.4;

    pcl::io::savePCDFile("test.pcd",cloud);

    return 0;
}

在这里插入图片描述
声明自己定义的点云 变量

在这里插入图片描述
设置点云大小
在这里插入图片描述
赋值点里面的变量,其中包含了常规的 x,y,z

还有自己定义的 JoneAdd

在这里插入图片描述
保存成pcd文件

所有代码

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>




struct MyPointType    //定义点类型结构
{
    PCL_ADD_POINT4D;  //该点类型有4个元素      
 
    /*尝试新增一个自定义*/  
    float JoneAdd;    //定义自己新增的类型名称
     //测试了添加这么多个也没问题
    float JoneAdd1;
    float JoneAdd2;
    float JoneAdd3;
    float JoneAdd4;
    float JoneAdd5;
    float JoneAdd6;
    float JoneAdd7;
    float JoneAdd8;
    float JoneAdd9;

    EIGEN_MAKE_ALIGNED_OPERATOR_NEW   //确保new操作符对齐操作 

}EIGEN_ALIGN16;   //强制SSE 对齐

POINT_CLOUD_REGISTER_POINT_STRUCT(MyPointType,    //注册点类型宏
    (float ,x,x)
    (float ,y,y)
    (float ,z,z)
    (float ,JoneAdd,JoneAdd)
    (float ,JoneAdd,JoneAdd1)
    (float ,JoneAdd,JoneAdd2)
    (float ,JoneAdd,JoneAdd3)
    (float ,JoneAdd,JoneAdd4)
    (float ,JoneAdd,JoneAdd5)
    (float ,JoneAdd,JoneAdd6)
    (float ,JoneAdd,JoneAdd7)
    (float ,JoneAdd,JoneAdd8)
    (float ,JoneAdd,JoneAdd9)
    )

int main(int argc, char const *argv[])
{
    pcl::PointCloud <MyPointType> cloud;

    cloud.points.resize(2);

    cloud.width=2;

    cloud.height=1;

    cloud.points[0].x=cloud.points[0].y=cloud.points[0].z=1;

    cloud.points[1].x=cloud.points[1].y=cloud.points[1].z=3;

    cloud.points[0].JoneAdd = 1.2;

    cloud.points[1].JoneAdd = 3.4;


    pcl::io::savePCDFile("test.pcd",cloud);

    return 0;
}

测试

在这里插入图片描述

相关文章
|
8月前
|
SQL 定位技术 API
GEE python:按照矢量中的几何位置、属性名称和字符串去筛选矢量集合
GEE python:按照矢量中的几何位置、属性名称和字符串去筛选矢量集合
88 0
|
定位技术 数据库 数据格式
ArcSWAT报错:-2147217385;创建栅格数据集失败
ArcSWAT报错:-2147217385;创建栅格数据集失败
|
3月前
|
JSON 数据格式 计算机视觉
Opencv实用笔记(一): 获取并绘制JSON标注文件目标区域(可单独保存目标小图)
本文介绍了如何使用OpenCV和Python根据JSON标注文件获取并绘制目标区域,同时可将裁剪的图像单独保存。通过示例代码,展示了如何读取图片路径、解析JSON标注、绘制标注框并保存裁剪图像的过程。此外,还提供了相关的博客链接,供读者进一步学习。
64 0
|
4月前
|
存储 并行计算 算法
基础的点云转换
对于点云处理而言,最简单也逃不过的就是点云转换了,我们就从点云转换开始,来一步步完成点云加速的学习。点云基础转换是3D点云处理中的一个重要步骤。它的主要目的是将点云从一个坐标系转换到另一个坐标系中,通常是为了方便后续处理或者显示。在实际应用中,点云基础转换通常包括平移、旋转、缩放等操作。这里对应了pcl::transformPointCloud这种方法 1. CUDA与Thrust 使用CUDA和Thrust进行点云基础转换可以大大提高处理效率,特别是当点云数据量较大时。CUDA是一种并行计算架构,可以利用GPU的计算能力来加速计算,而Thrust是CUDA的C++模板库,提供了许多与ST
|
5月前
|
Python
从bag包中提取图片和点云数据为pcd格式点云文件
从bag包中提取图片和点云数据为pcd格式点云文件
272 0
|
5月前
GDAL数据集写入空间坐标参考
GDAL数据集写入空间坐标参考
53 0
|
8月前
|
计算机视觉
【OpenCV】示例—漫水填充
【OpenCV】示例—漫水填充
|
8月前
|
定位技术
ArcGIS中ArcMap创建镶嵌数据集、导入栅格图像文件并修改像元数值范围的方法
ArcGIS中ArcMap创建镶嵌数据集、导入栅格图像文件并修改像元数值范围的方法
103 1
|
C++ Python
pcl/pcd/liblas点云强度intensity反射图像过滤显示
pcl/pcd/liblas点云强度intensity反射图像过滤显示
397 0
pcl/pcd/liblas点云强度intensity反射图像过滤显示

热门文章

最新文章

相关实验场景

更多