『分割』 平面模型分割

PCL提供的几个常见模型：

1. pcl::SACMODEL_PLANE：平面模型，用于拟合平面结构的点云数据。

2. pcl::SACMODEL_SPHERE：球体模型，适用于拟合球体结构的点云数据。

3. pcl::SACMODEL_CYLINDER：圆柱体模型，用于拟合圆柱体结构的点云数据。

4. pcl::SACMODEL_LINE：直线模型，适用于拟合直线结构的点云数据。

5. pcl::SACMODEL_NORMAL_PLANE：法线平面模型，用于拟合平面结构并考虑法线方向的点云数据。

6. pcl::SACMODEL_NORMAL_SPHERE：法线球体模型，用于拟合球体结构并考虑法线方向的点云数据。

7. pcl::SACMODEL_NORMAL_CYLINDER：法线圆柱体模型，适用于拟合圆柱体结构并考虑法线方向的点云数据。

一些样本一致性方法

1. pcl::SAC_RANSAC：随机采样一致性（RANSAC）方法，是一种常用的模型拟合和离群点去除的方法。

2. pcl::SAC_LMEDS：最小中值残差（LMEDS）方法，是一种鲁棒的模型拟合方法，能够对数据中的离群点具有较好的鲁棒性。

3. pcl::SAC_MSAC：多样本一致性（MSAC）方法，通过随机抽取多个样本来进行一致性判断，相对于RANSAC具有更好的收敛性能。

4. pcl::SAC_RRANSAC：重复随机采样一致性（RRANSAC）方法，是RANSAC方法的改进版，通过多次重复采样和模型拟合来提高鲁棒性。

5. pcl::SAC_PROSAC：自适应随机一致性（PROSAC）方法，是一种自适应性优化的采样一致性方法。

代码：

#include 
#include  // 模型系数
#include 

#include  // 点云数据类型
#include  // 用于样本一致性算法的方法类型的定义。这些方法包括RANSAC、MSAC、LORANSAC等，用于拟合模型并去除离群点
#include  // 用于样本一致性算法的模型类型的定义。这些模型类型包括平面、球体、圆柱体、线段等，可以选择合适的模型类型进行样本一致性拟合
#include  // 于基于样本一致性的分割算法的类定义和函数。这个头文件中包含了SacSegmentation类，可以使用该类进行样本一致性分割，从给定的点云数据中提取出符合特定模型的物体分割结果

#include 
int main(){
    // 创建点云容器
    pcl::PointCloud::Ptr cloud(new pcl::PointCloud);

    // 填充点云
    cloud->width = 15;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);

    // 生成数据
    for (size_t i = 0; i< cloud->points.size(); ++i){
        cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1;
    }

    // 设置几个局外点，使其偏离z为1的平面
    cloud->points[0].z = 2.0;
    cloud->points[3].z = -2.0;
    cloud->points[6].z = 4.0;

    // 打印所有点
    std::cerr << "point cloud data: " << cloud->points.size() << " points" << std::endl;
    for (size_t i=0; i < cloud->points.size(); ++i)
        std::cerr << "        " << cloud->points[i].x << " "
                  << cloud->points[i].y << " "
                  << cloud->points[i].z < seg;

    // 可选择配置，设置模型系数需要优化
    seg.setOptimizeCoefficients(true);
    // 必要的配置，设置分割的模型类型，所用的随机参数估计方法，距离阈值，输入点云
    seg.setModelType(pcl::SACMODEL_PLANE); // 设置模型类型
    seg.setMethodType(pcl::SAC_RANSAC); // 设置随机采样一致性方法类型
    seg.setDistanceThreshold(0.01); // 设置距离阈值，距离阈值决定了点被认为是局内点是必须满足的条件
                                    // 表示点到估计模型的距离最大值

    seg.setInputCloud(cloud);
    // 引发分割实现，存储分割结果到点集合inliers及存储平面模型的系数coefficients
    seg.segment(*inliers, *coefficients);

    if (inliers->indices.size() == 0){
        PCL_ERROR("Could not estimate a planar model for the given dataset.");
    }

    // 打印平面模型
    std::cerr << "Model coefficients: " << coefficients->values[0] << " "
              << coefficients->values[1] << " "
              << coefficients->values[2] << " "
              << coefficients->values[3] << std::endl;

    std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;
    for (size_t i=0; i< inliers->indices.size(); ++i)
        std::cerr << inliers->indices[i] << "   " << cloud->points[inliers->indices[i]].x << " "
                  << cloud->points[inliers->indices[i]].y << " "
                  << cloud->points[inliers->indices[i]].z << std::endl;


    pcl::PointCloud::Ptr seg_result(new pcl::PointCloud);
    for (size_t i =0; i< inliers->indices.size(); ++i){
        seg_result->push_back(cloud->points[inliers->indices[i]]);
    }

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("viewer"));
//    viewer->setBackgroundColor(0.0,0,0);
    viewer->addCoordinateSystem(1.0);
    viewer->addPointCloud(cloud, "cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "cloud");
//    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0, 0, "cloud");

//    viewer->addPointCloud(seg_result, "result");
//    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "result");
//    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1.0,  0, "result");
    while (!viewer->wasStopped()) {

    }


    return 0;
}

输出信息