【版权声明】
本文为博主原创文章，未经博主允许严禁转载，我们会定期进行侵权检索。
参考书籍：《人工智能点云处理及深度学习算法》
本文为专栏《Python三维点云实战宝典》系列文章，专栏介绍地址“【python三维深度学习】python三维点云从基础到深度学习_python3d点云从基础到深度学习-CSDN博客”。配套书籍《人工智能点云处理及深度学习算法》提供更加全面和系统的解析。
当使用C++和PCL（点云库）创建模拟点云时，你需要考虑如何生成并可视化点云数据。下面是一个简要的博文大纲，涵盖了创建模拟点云的基本步骤和一些代码示例。
1 模拟点云的作用
（1）当缺乏点云文件或者数据进行实验测试时，可以用模拟点云来作为输入。
（2）将程序中间过程数据转换成PCL点云格式并进行后续处理或者可视化。
2 XYZ普通点云创建
pcl::PointCloud<pcl::PointXYZ>::Ptr createXYZPointCloud()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 添加模拟点云数据
for (float x = -5.0; x <= 5.0; x += 0.1)
{
for (float y = -5.0; y <= 5.0; y += 0.1)
{
float z = 0.5 * sin(x) + 0.5 * cos(y);
cloud->push_back(pcl::PointXYZ(x, y, z));
}
}
return cloud;
}3 XYZRGB彩色点云
4 可视化点云数据
void visualizeXYZPointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
pcl::visualization::PCLVisualizer viewer("Simulated Point Cloud");
// 设置点云颜色
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud, 0, 255, 0);
viewer.addPointCloud(cloud, single_color, "sample cloud");
// 显示点云
while (!viewer.wasStopped())
{
viewer.spinOnce(100);
}
}
5 完整程序与可视化结果
/*
更多python与C++技巧、三维算法、深度学习算法总结、大模型请关注我的博客，欢迎讨论与交流：https://blog.csdn.net/suiyingy，或”乐乐感知学堂“公众号。Python三维领域专业书籍推荐：《人工智能点云处理及深度学习算法》。
*/
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/visualization/cloud_viewer.h>
// 创建普通点云
pcl::PointCloud<pcl::PointXYZ>::Ptr createXYZPointCloud()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 添加模拟点云数据
for (float x = -5.0; x <= 5.0; x += 0.1)
{
for (float y = -5.0; y <= 5.0; y += 0.1)
{
float z = 0.5 * sin(x) + 0.5 * cos(y);
cloud->push_back(pcl::PointXYZ(x, y, z));
}
}
return cloud;
}
// 创建带有颜色信息的彩色点云对象并添加点
pcl::PointCloud<pcl::PointXYZRGB>::Ptr createColorPointCloud()
{
pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
// 添加模拟彩色点云数据
for (float x = -5.0; x <= 5.0; x += 0.1)
{
for (float y = -5.0; y <= 5.0; y += 0.1)
{
float z = 0.5 * sin(x) + 0.5 * cos(y);
uint8_t r = 255;
uint8_t g = 255;
uint8_t b = 0;
uint32_t rgb = ((uint32_t)r << 16 | (uint32_t)g << 8 | (uint32_t)b);
pcl::PointXYZRGB point;
point.x = x;
point.y = y;
point.z = z;
point.r = r;
point.g = g;
point.b = b;
cloud->push_back(point);
}
}
return cloud;
}
// 可视化普通点云
void visualizeXYZPointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
pcl::visualization::PCLVisualizer viewer("Simulated Point Cloud");
// 设置点云颜色
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud, 0, 255, 0);
viewer.addPointCloud(cloud, single_color, "sample cloud");
// 显示点云
while (!viewer.wasStopped())
{
viewer.spinOnce(100);
}
}
// 可视化彩色点云数据
void visualizeColorPointCloud(pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud)
{
pcl::visualization::PCLVisualizer viewer("Simulated Color Point Cloud");
// 设置点云颜色
pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> rgb(cloud);
viewer.addPointCloud(cloud, rgb, "sample cloud");
// 显示点云
while (!viewer.wasStopped())
{
viewer.spinOnce(100);
}
}
int main()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud = createXYZPointCloud();
visualizeXYZPointCloud(cloud);
pcl::PointCloud<pcl::PointXYZRGB>::Ptr colorCloud = createColorPointCloud();
visualizeColorPointCloud(colorCloud);
return 0;
}
6 总结
通过上述步骤，我们成功创建了一个简单的模拟点云，并使用PCL库进行了可视化。这只是点云处理和可视化的入门，PCL还提供了丰富的功能来处理真实世界的点云数据，包括滤波、配准、特征提取等。希望这篇博文能够帮助你快速入门使用C++和PCL库进行点云处理。
这篇博文提供了一个简单的示例来创建模拟点云，并使用PCL进行可视化。你可以根据实际需求添加更多的点云处理步骤和功能。
【版权声明】
本文为博主原创文章，未经博主允许严禁转载，我们会定期进行侵权检索。
更多python与C++技巧、计算机视觉基础到实践完整指南、三维算法、深度学习算法总结、大模型请关注我的博客，欢迎讨论与交流：https://blog.csdn.net/suiyingy，或”乐乐感知学堂“公众号。Python三维领域专业书籍推荐：《人工智能点云处理及深度学习算法》。
本文为专栏《Python三维点云实战宝典》系列文章，专栏介绍地址“【python三维深度学习】python三维点云从基础到深度学习_python3d点云从基础到深度学习-CSDN博客”。配套书籍《人工智能点云处理及深度学习算法》提供更加全面和系统的解析。
