Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> crop_pointcloud(Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> data_crop, float x_o, float y_o, int x_i, int y_i, int R_o, int R_i, int range_z, int z_critical) { double K_o = std::pow(R_o, 2) / range_z; double K_i = std::pow(R_i, 2) / range_z; for (int z = 0; z < range_z; ++z) { double r_o = std::sqrt(z * K_o); Eigen::Tensor<uint8_t, 2, Eigen::RowMajor> data_layer = data_crop.chip(z, 2); double d_o = std::sqrt(std::pow(x_o, 2) + std::pow(y_o, 2)); double d_i = std::sqrt(std::pow(x_i, 2) + std::pow(y_i, 2)); double r_i = (z < z_critical) ? 0 : std::sqrt(z * K_i); data_crop.chip(z, 2) = (d_o > r_o) || (d_i <= r_i) ? Eigen::Tensor<uint8_t, 2, Eigen::RowMajor>::Zero(data_layer.dimension(0), data_layer.dimension(1)) : data_layer; } return data_crop; } no member named 'Zero' in 'Eigen::Tensor<unsigned char, 2, 1>
时间: 2024-03-20 08:42:27 浏览: 12
这个错误提示与您之前提到的错误提示是一样的,都是表示您正在尝试访问Eigen张量中不存在的元素或方法。在这个具体的函数中,您尝试创建一个大小为(data_layer.dimension(0), data_layer.dimension(1))的零张量,然后将其赋值给data_crop.chip(z, 2)。然而,Eigen张量没有名为"Zero"的成员或方法。
如果您想创建一个大小为(data_layer.dimension(0), data_layer.dimension(1))的零张量,您可以使用Eigen::Tensor::Constant()方法,如下所示:
```Eigen::Tensor<uint8_t, 2, Eigen::RowMajor>::Constant(data_layer.dimension(0), data_layer.dimension(1), 0)```
这将创建一个大小为(data_layer.dimension(0), data_layer.dimension(1))的张量,并将所有元素初始化为0。
请注意,如果您的代码中有其他使用Zero方法的部分,请使用Constant方法进行相应的更改。
相关问题
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> crop_pointcloud(Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> data_crop, float x_o, float y_o, int x_i, int y_i, int R_o, int R_i, int range_z, int z_critical) { double K_o = std::pow(R_o, 2) / range_z; double K_i = std::pow(R_i, 2) / range_z; for (int z = 0; z < range_z; ++z) { double r_o = std::sqrt(z * K_o); Eigen::Tensor<uint8_t, 2, Eigen::RowMajor> data_layer = data_crop.chip(z, 2); double d_o = std::sqrt(std::pow(x_o, 2) + std::pow(y_o, 2)); double d_i = std::sqrt(std::pow(x_i, 2) + std::pow(y_i, 2)); double r_i = (z < z_critical) ? 0 : std::sqrt(z * K_i); data_crop.chip(z, 2) = (d_o > r_o) || (d_i <= r_i) ? Eigen::Tensor<uint8_t, 2, Eigen::RowMajor>(data_layer.dimension(0), data_layer.dimension(1)).setZero() : data_layer; } return data_crop; } 怎么调用这个方法
您可以按照以下方式调用这个方法:
```crop_pointcloud(data_crop, x_o, y_o, x_i, y_i, R_o, R_i, range_z, z_critical)```
其中,data_crop是一个大小为(N, M, range_z)的三维Eigen张量,x_o, y_o, x_i, y_i, R_o, R_i, range_z和z_critical是函数的输入参数。函数将返回修改后的data_crop张量。
请注意,您需要提供正确的输入参数,以便函数能够成功执行。如果您使用的是这个函数的某个类的成员函数,则需要将其作为类的成员函数进行调用。例如:
```class MyClass {
public:
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> crop_pointcloud(Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> data_crop, float x_o, float y_o, int x_i, int y_i, int R_o, int R_i, int range_z, int z_critical) {
...
}
};
MyClass myObject;
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> result = myObject.crop_pointcloud(data_crop, x_o, y_o, x_i, y_i, R_o, R_i, range_z, z_critical);```
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> crop_pointcloud( const Eigen::Tensor<Scalar, 3, Eigen::RowMajor> data_crop, Scalar x_o, Scalar y_o, Scalar x_i, Scalar y_i, Scalar R_o, Scalar R_i, Scalar z_critical) { const int range_z = data_crop.dimension(2); const Scalar K_o = R_o * R_o / range_z; const Scalar K_i = R_i * R_i / range_z; Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> cropped_data = data_crop.cast<uint8_t>(); for (int z = 0; z < range_z; z++) { const Scalar r_o = std::sqrt(z * K_o); auto data_layer = cropped_data.chip(z, 2); const Scalar d_o = std::sqrt(x_o * x_o + y_o * y_o); const Scalar d_i = std::sqrt(x_i * x_i + y_i * y_i); const Scalar r_i = (z < z_critical) ? 0 : std::sqrt(z * K_i); data_layer = data_layer * ((d_o <= r_o) && (d_i > r_i)).template cast<uint8_t>(); } return cropped_data; } 参数改为int
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> crop_pointcloud(
const Eigen::Tensor<int, 3, Eigen::RowMajor> data_crop,
int x_o, int y_o, int x_i, int y_i,
int R_o, int R_i, int z_critical) {
const int range_z = data_crop.dimension(2);
const int K_o = R_o * R_o / range_z;
const int K_i = R_i * R_i / range_z;
Eigen::Tensor<uint8_t, 3, Eigen::RowMajor> cropped_data = data_crop.cast<uint8_t>();
for (int z = 0; z < range_z; z++) {
const int r_o = std::sqrt(z * K_o);
auto data_layer = cropped_data.chip(z, 2);
const int d_o = std::sqrt(x_o * x_o + y_o * y_o);
const int d_i = std::sqrt(x_i * x_i + y_i * y_i);
const int r_i = (z < z_critical) ? 0 : std::sqrt(z * K_i);
data_layer = data_layer * ((d_o <= r_o) && (d_i > r_i)).template cast<uint8_t>();
}
return cropped_data;
}