PCL内置点云类型

PCL内置了许多点云类型供我们使用，下面先介绍PLC内置的点云数据类型

PCL中的点云类型为PointT；至于为什么是PointT类型需要追随到原来的ros开发中去，因为PCL库也是从原来的ROS中剥离出来的；大家都一致的认为点云结构是离散的N维信息描述的物体。因此最简单的点云结构便是XYZ，下面首先来看看XYZ三维信息如何在PCL中实现的。

1 PointXYZ

最简单的XYZ点云结构体，包含X,Y,Z信息和一个padding；此处额外增加一个padding是为了满足支持SSE指令集的处理器，并实现SIMD向量化加速而额外添加的一个信息，该信息无实际意义；如果你觉得这里使用浪费了内存资源，你可以去掉最后一个padding维度并使用简单的XYZ来代表一个点云数据。

struct PointXYZ
{
  float x;
  float y;
  float z;
  float padding;
};

如下是之前已经演示过的一个简答示例：

该示例创建了一个PointXYZ类型的点云数据，并向其中随机添加了1000个点云信息。

其中

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/common.h>


int main(int argc, char **argv) {
    pcl::PointCloud<pcl::PointXYZ> cloud;

    // Fill in the cloud data
    /* pcl中的点云分为有序点云与无序点云：
     * 1、有序点云类使用深度相机生成的点云数据，该点云数据有指定的宽高，
     * 有序点云数据的可以轻松的获取相邻点的信息，这可以极大的提升某些点云算法的运算效率
     *
     * 2、无序点云就是常规的点云数据，无序点云的height始终为1，width为点云的个数
     *
     */

    //可以自行切换下面的注释，看看有什么区别
//    cloud.width = 640; // Image-like organized structure, with 480 rows and 640 columns,
//    cloud.height = 480; // thus 640*480=307200 points total in the dataset

    cloud.width = 640*480; // unorganized point cloud dataset with 307200 points
    cloud.height = 1;


    //is_dense 指定points中的信息数据是否全部是有效数值的，是则为true；
    // 当数据集中包含有Inf/NaN等无效值时，此时为false。
    cloud.is_dense = false;
    cloud.points.resize(cloud.width * cloud.height);


    for (auto &point: cloud) {
        point.x = 1024 * rand() / (RAND_MAX + 1.0f);
        point.y = 1024 * rand() / (RAND_MAX + 1.0f);
        point.z = 1024 * rand() / (RAND_MAX + 1.0f);
    }

    for (auto &point: cloud) {
        std::cout << point.x << point.y << point.z << std::endl;
    }



    pcl::io::savePCDFileASCII("test_pcd.pcd", cloud);
    std::cerr << "Saved " << cloud.size() << " data points to test_pcd.pcd." << std::endl;

    for (const auto &point: cloud)
        std::cerr << "    " << point.x << " " << point.y << " " << point.z << std::endl;

    //判断点云是否为有序点云
    if (!cloud.isOrganized ())
    {
        std::cout<<"该点云为无序点云"<<std::endl;
    }
    return (0);
}

2 PointXYZI

PointXYZI包含点云的坐标XYZ和该点的强度（intensity）信息，大家可能会觉得多了一个强度信息就可以使用强度信息替换掉PointXYZ中被无效占用的padding；但是实际上他的存储是这样的：

union
{
  float data[4];
  struct
  {
    float x;
    float y;
    float z;
  };
};
union
{
  struct
  {
    float intensity;
  };
  float data_c[4];
};

点云还是占用了4个float空间，一个强度信息也占用了4个float空间；这样的原因如下：

1 大多数的SE3变换中最后一行的元素都是0或者1，如果此时将强度信息与点xyz整合在一块内存区域，那么这其中的点乘操作会使得第四个维度的强度信息无意义；因此不如分开存放并进行内存对齐，有利于SSE的SIMD运算

3 PointXYZRGBA

PointXYZRGBA点云类型包含了xyz与std::uint32_t rgba类型的颜色信息

注：此处的嵌套union结构为历史原因导致，应该在新的代码中舍弃

union
{
  float data[4];
  struct
  {
    float x;
    float y;
    float z;
  };
};
union
{
  union
  {
    struct
    {
      std::uint8_t b;
      std::uint8_t g;
      std::uint8_t r;
      std::uint8_t a;
    };
    float rgb;
  };
  std::uint32_t rgba;
};

4 PointNormal

点云中另外一种常见的数据类型是PointNormal，其中normal代表该点的法向量信息，与前面的PointXYZI一样，此处为了计算效率也使用了额外的数据进行对齐

union
{
  float data_n[4];
  float normal[3];
  struct
  {
    float normal_x;
    float normal_y;
    float normal_z;
  };
}
union
{
  struct
  {
    float curvature;
  };
  float data_c[4];
};

5 衍生类型

其他的类型还包括如下几个：

PointWithRange - float x, y, z (union with float point[4]), range;点和距离信息，常见于RGBD图像

PointXYZRGBNormal - float x, y, z, normal[3], curvature; std::uint32_t rgba;点与颜色和法线信息

PointXYZINormal - float x, y, z, intensity, normal[3], curvature;点强度与法线信息

PointWithScale - float x, y, z, scale;点与尺度信息，可以进行缩放操作

PointWithViewpoint - float x, y, z, vp_x, vp_y, vp_z;点与视场角信息

PointXY - float x,y;简单的二维结构，仅保存关键点信息

1 PointXYZ

2 PointXYZI

3 PointXYZRGBA

4 PointNormal

5 衍生类型

猜你喜欢