c++ pcl::computeMeanAndCovarianceMatrix例子

在PCL (Point Cloud Library) 中，`pcl::computeMeanAndCovarianceMatrix()` 函数是一个用于计算点云数据集均值向量（mean vector）和协方差矩阵（covariance matrix）的实用工具。这个函数通常用于统计分析和特征提取。以下是一个简单的示例，展示了如何使用该函数：

#include <pcl/point_cloud.h>
#include <pcl/features/normal_3d.h>

// 假设我们有一个名为cloud的数据结构，它代表一个点云
pcl::PointCloud<pcl::PointXYZ> cloud;

// 首先，需要创建一个NormalEstimation对象来估计点云的法线
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
ne.setKSearch(50); // 设置搜索邻居的范围

// 然后，创建一个search tree，用于快速访问点云中的点
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
ne.setSearchMethod(tree);

// 计算正常并存储到一个新的点云中
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
ne.compute(*cloud_normals);

// 接下来，我们可以计算点云的均值和协方差矩阵
pcl::StatisticalOutlierRemoval<pcl::Normal> sor;
sor.setInputCloud(cloud_normals);
sor.setMeanK(50); // 设置平均值的邻域大小
sor.setStddevMulThresh(1.0); // 设置阈值，大于标准差一定倍数的被视为异常点
sor.filter(*cloud_normals); // 应用滤波

// 最后，从剩余的点云中提取均值和协方差矩阵
pcl::EigenPointCloud<pcl::Normal>::Ptr eigenNormals(new pcl::EigenPointCloud<pcl::Normal>);
pcl::copyPointCloud(*cloud_normals, *eigenNormals);
double* mean = eigenNormals->data.mean;
Eigen::MatrixXf covariances(eigenNormals->width, eigenNormals->height);
pcl::covarianceMatrix(*eigenNormals, covariances, mean);