官网教程： http://pointclouds.org/documentation/tutorials/basic_structures.php#id1
API参考文档： http://docs.pointclouds.org/1.7.2/a01003.html
pcl::PointCloud<T>
注意PointCloud<T>模板类是点云类，其是由很多个点组成的。
PointCloud类包含以下成员变量：
width——点云宽度
用点云数据集中的点数初始化width，width其实有两个含义：
(1)对于无组织或者说无结构的点云来说，width就是指点云中点的个数。
(2) 对于有结构的点云来说，width是指点云数据集一行上点的个数。有结构的点云可以理解成这个点云像image（或者说是一个矩阵）一样进行组织，数据被分为行和列，如立体相机或者TOF相机获得的点云数据就属于这一类。对于有结构点云的一大好处就是能知道点云中点的相邻关系，最近邻操作效率就非常高，可以大大提高PCL中相应算法的效率。
height——点云高度
用点云数据集中点的高度（就是行数）初始化height，height同样有两个含义：
(1)对于有结构点云来说，height代表点云的总行数
(2)对于无结构的点云来说，height值为1，因此这也经常用来判断点云是或者不是一个有结构的点云。
cloud.width = 640; // Image-like organized structure, with 640 rows and 480 columns,
cloud.height = 480; // thus 640*480=307200 points total in the dataset
cloud.width = 307200;
cloud.height = 1; // unorganized point cloud dataset with 307200 points
points——std::vector类型，点云数据
存储了数据类型为PointT的一个动态数组，例如，对于一个包含了XYZ数据的点云，points是包含了元素为pcl::PointXYZ一个vector。
pcl::PointCloud<pcl::PointXYZ> cloud;
std::vector<pcl::PointXYZ> data = cloud.points;
is_dense (bool)
判断points中的数据是否是有限的（有限为true）或者说是判断点云中的点是否包含 Inf/NaN这种值（包含为false）。
sensor_origin_ (Eigen::Vector4f)
代表了相应传感器的位置坐标（可能是经过平移的），这个数据成员是可选，在大多数的PCL算法中不会使用。
sensor_orientation_ (Eigen::Quaternionf)
代表了相应传感器的朝向，这个数据成员是可选，在大多数的PCL算法中不会使用。
为了简化开发，PointCloud中还包含了大量有用的函数，例如，用户不用根据height是否等于1来判断点云是否是有结构的，而是可以使用如下函数代替：
if (!cloud.isOrganized ())
...
PointT类型只是点云中基础的点的数据，描述的是每一个独立的点。PCL中还含有大量其他类型的点，更多的信息可以
参考: http://pointclouds.org/documentation/tutorials/adding_custom_ptype.php#adding-custom-ptype
https://blog.csdn.net/Linear_Luo/article/details/52647790?locationNum=2&fps=1
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/121297.html
