PCL将直方图中的每个bin的值都转换为布尔型

将直方图中的每个bin的值都转换为布尔型，可以使用PCL中的`pcl::Histogram<BinType, N>`类来实现。`Histogram`类是一个模板类，其中`BinType`表示每个bin的数据类型，`N`表示bin的数量。在默认情况下，`BinType`为`float`，`N`为`histogram_size`，即默认的直方图大小。

要将直方图中的每个bin的值都转换为布尔型，可以使用以下代码：

pcl::Histogram<bool, histogram_size> bool_histogram;

for (int i = 0; i < histogram_size; i++)
{
    bool_histogram.histogram[i] = (histogram.histogram[i] > 0);
}

在上面的代码中，我们创建了一个新的布尔型直方图`bool_histogram`，并遍历原始直方图`histogram`中的每个bin。如果原始直方图中的bin值大于0，则将布尔型直方图中对应的bin值设置为`true`，否则设置为`false`。

相关问题

PCL如何将SHOT描述子压缩成布尔型数组

在PCL中，SHOT描述子的压缩是通过使用pcl::SHOTColorEstimation类中的pcl::SHOTColorEstimation::computeRGBBinary方法实现的。该方法将SHOT描述子转换为布尔类型数组。

下面是一个简单的示例代码，演示了如何使用pcl::SHOTColorEstimation::computeRGBBinary方法来压缩SHOT描述子：

#include <pcl/features/shot_color.h>

// 先计算SHOT描述子
pcl::PointCloud<pcl::SHOT1344>::Ptr shot_descriptors (new pcl::PointCloud<pcl::SHOT1344>);
pcl::SHOTColorEstimation<pcl::PointXYZRGB, pcl::Normal, pcl::SHOT1344> shot;
shot.setInputCloud (cloud);
shot.setInputNormals (normals);
shot.setRadiusSearch (0.02);
shot.compute (*shot_descriptors);

// 将SHOT描述子压缩为布尔型数组
pcl::PointCloud<pcl::SHOT1344>::ConstPtr shot_descriptors_const_ptr = shot_descriptors;
pcl::PointCloud<pcl::PointXYZRGB>::ConstPtr cloud_const_ptr = cloud;
std::vector<std::vector<bool> > shot_binary;
pcl::SHOTColorEstimation<pcl::PointXYZRGB, pcl::Normal, pcl::SHOT1344>::computeRGBBinary(*shot_descriptors_const_ptr, *cloud_const_ptr, shot_binary);

在这个示例代码中，我们首先计算了输入点云的SHOT描述子。然后，我们将SHOT描述子和点云作为参数传递给pcl::SHOTColorEstimation::computeRGBBinary方法，该方法返回一个布尔型数组。每个布尔数组表示一个SHOT描述子的二进制形式。

需要注意的是，该方法只适用于RGB颜色空间的SHOT描述子。如果您使用的是其他类型的SHOT描述子，您可能需要使用不同的方法来进行压缩。

PCL中布尔型描述子的特征匹配方法

PCL 中常用的布尔型描述子是 Point Feature Histograms (PFH) 描述子。在 PCL 中，可以使用 `pcl::PFHEstimation` 类来计算 PFH 描述子，使用 `pcl::registration::CorrespondenceEstimation` 类来计算两个点云数据集之间的对应关系。

首先，使用 `pcl::PFHEstimation` 类来计算两个点云数据集的 PFH 描述子。例如：

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_source(new pcl::PointCloud<pcl::PointXYZ>());
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>());
// 读取点云数据集到 cloud_source 和 cloud_target 中

pcl::search::KdTree<pcl::PointXYZ>::Ptr tree_source(new pcl::search::KdTree<pcl::PointXYZ>());
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree_target(new pcl::search::KdTree<pcl::PointXYZ>());
// 建立 KdTree 数据结构，用于最近邻搜索

pcl::PointCloud<pcl::Normal>::Ptr normals_source(new pcl::PointCloud<pcl::Normal>());
pcl::PointCloud<pcl::Normal>::Ptr normals_target(new pcl::PointCloud<pcl::Normal>());
// 计算法线

pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh_estimation;
pfh_estimation.setSearchMethodSource(tree_source);
pfh_estimation.setSearchMethodTarget(tree_target);
pfh_estimation.setInputCloudSource(cloud_source);
pfh_estimation.setInputCloudTarget(cloud_target);
pfh_estimation.setInputNormalsSource(normals_source);
pfh_estimation.setInputNormalsTarget(normals_target);

pcl::PointCloud<pcl::PFHSignature125>::Ptr pfhs_source(new pcl::PointCloud<pcl::PFHSignature125>());
pcl::PointCloud<pcl::PFHSignature125>::Ptr pfhs_target(new pcl::PointCloud<pcl::PFHSignature125>());
// 创建存储 PFH 描述子的点云数据集

pfh_estimation.compute(*pfhs_source);
pfh_estimation.compute(*pfhs_target);
// 计算 PFH 描述子

接着，使用 `pcl::registration::CorrespondenceEstimation` 类来计算两个点云数据集之间的对应关系。例如：

pcl::registration::CorrespondenceEstimation<pcl::PFHSignature125, pcl::PFHSignature125> est;
est.setInputSource(pfhs_source);
est.setInputTarget(pfhs_target);
pcl::CorrespondencesPtr correspondences(new pcl::Correspondences());
est.determineCorrespondences(*correspondences);
// 计算对应关系

最后，使用 `pcl::registration::CorrespondenceRejectorSampleConsensus` 类来去除错误的对应关系，并进行配准。例如：

pcl::registration::CorrespondenceRejectorSampleConsensus<pcl::PointXYZ> rejector;
rejector.setInputSource(cloud_source);
rejector.setInputTarget(cloud_target);
rejector.setInlierThreshold(0.1);
rejector.setMaximumIterations(10000);
pcl::CorrespondencesPtr correspondences_filtered(new pcl::Correspondences());
rejector.getRemainingCorrespondences(*correspondences, *correspondences_filtered);
// 去除错误的对应关系

pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ> transformation_estimation;
Eigen::Matrix4f transformation_matrix;
transformation_estimation.estimateRigidTransformation(*cloud_source, *cloud_target, *correspondences_filtered, transformation_matrix);
// 计算变换矩阵

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_source_transformed(new pcl::PointCloud<pcl::PointXYZ>());
pcl::transformPointCloud(*cloud_source, *cloud_source_transformed, transformation_matrix);
// 对源点云进行变换

pcl::visualization::CloudViewer viewer("Viewer");
viewer.showCloud(cloud_source_transformed);
while(!viewer.wasStopped());
// 可视化

需要注意的是，布尔型描述子之间的匹配过程与浮点型描述子之间的匹配过程有所不同。在匹配过程中，除了计算描述子之间的距离外，还需要考虑到描述子的方向性。因此，在匹配过程中需要使用到法线信息。在上述代码中，计算 PFH 描述子时计算了法线信息，用于后续的匹配过程中。