pcl c++ 点云欧氏距离聚类

点云的欧氏距离聚类是一种将点云中的点按照欧氏距离进行聚类的方法。PCL（Point Cloud Library）是一个强大的点云处理库，提供了各种点云处理和分析的算法。以下是一个使用 PCL C++库进行点云欧氏距离聚类的示例：

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/segmentation/progressive_morphological_filter.h>
#include <pcl/segmentation/extract_clusters.h>

int main(int argc, char** argv)
{
    // 加载点云数据
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile<pcl::PointXYZ>("sample.pcd", *cloud);

    // 欧氏距离聚类
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);

    std::vector<pcl::PointIndices> cluster_indices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.02); // 设置聚类的欧氏距离阈值
    ec.setMinClusterSize(100); // 设置聚类的最小点数
    ec.setMaxClusterSize(25000); // 设置聚类的最大点数
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud);
    ec.extract(cluster_indices); // 执行聚类操作

    // 可视化聚类结果
    pcl::visualization::PCLVisualizer viewer("Cluster viewer");
    viewer.setBackgroundColor(0, 0, 0); // 背景色设为黑色
    int cluster_color[6][3] = {{255, 0, 0}, {0, 255, 0}, {0, 0, 255}, {255, 255, 0}, {0, 255, 255}, {255, 0, 255}}; // 定义不同聚类的颜色
    int cluster_id = 0;
    for (auto it = cluster_indices.begin(); it != cluster_indices.end(); ++it)
    {
        pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (auto pit = it->indices.begin(); pit != it->indices.end(); ++pit)
            cloud_cluster->points.push_back(cloud->points[*pit]); // 将聚类的点放入一个点云中

        cloud_cluster->width = cloud_cluster->points.size();
        cloud_cluster->height = 1;
        cloud_cluster->is_dense = true;

        // 绘制聚类结果
        pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cluster_color_handler(cloud_cluster, cluster_color[cluster_id % 6][0], cluster_color[cluster_id % 6][1], cluster_color[cluster_id % 6][2]);
        viewer.addPointCloud(cloud_cluster, cluster_color_handler, "cluster_" + std::to_string(cluster_id));
        viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "cluster_" + std::to_string(cluster_id));
        ++cluster_id;
    }

    while (!viewer.wasStopped())
        viewer.spinOnce();

    return 0;
}

在上述代码中，我们先使用 `pcl::io::loadPCDFile` 函数加载点云数据。接着，我们使用 `pcl::EuclideanClusterExtraction` 算法进行欧氏距离聚类。可以通过 `setClusterTolerance`、`setMinClusterSize` 和 `setMaxClusterSize` 函数分别设置聚类的欧氏距离阈值、最小点数和最大点数。最后，我们使用 `pcl::visualization::PCLVisualizer` 可视化聚类结果。

注意，在使用 PCL 进行点云处理时，需要在编译时链接 PCL 库。在 Ubuntu 系统上，可以使用以下命令安装 PCL 库：

sudo apt-get install libpcl-dev

在编译时，需要将 PCL 库链接到程序中。例如，可以使用以下命令编译上述代码：

g++ cluster.cpp -o cluster -l pcl_io -l pcl_visualization -l pcl_filters -l pcl_segmentation

其中，`-l pcl_io`、`-l pcl_visualization`、`-l pcl_filters` 和 `-l pcl_segmentation` 分别表示链接 PCL 库中的 `pcl_io`、`pcl_visualization`、`pcl_filters` 和 `pcl_segmentation` 模块。