PCL（点云库）主要模块
概述
从算法角度和库中的主要模块进行分类，PCL 可分为十二大模块，分别是 filters、features、keypoints、registration、kdtree、octree、segmentation、sample_consensus、surface、recognition、io 和 visualization 模块。
这十二个模块的关系如下图所示：
主要模块
- filters（滤波器）：
- 模块描述：包含了各种点云滤波器，用于对点云数据进行预处理和后处理。
- 主要功能：去噪、降采样、平滑和增强点云数据。
- 示例算法：高斯滤波、下采样、移动平均滤波等。
- features（特征）：
- 模块描述：用于提取点云中的特征信息。
- 主要功能：描述点云的局部和全局特征，用于特征匹配、分类和识别等任务。
- 示例算法：表面法向量、曲率、边缘、角点、法线方向直方图等。
- keypoints（关键点）：
- 模块描述：用于检测点云中的关键点。
- 主要功能：识别点云中的关键点，用于目标检测和描述。
- 示例算法：Harris 角点检测、SIFT 关键点检测、ISS 关键点检测等。
- registration（配准）：
- 模块描述：用于点云配准和对齐。
- 主要功能：将多个点云数据对齐到同一个坐标系中。
- 示例算法：ICP（Iterative Closest Point）、NDT（Normal Distributions Transform）、特征匹配等。
- kdtree（Kd 树）：
- 模块描述：提供了点云搜索功能，用于在点云数据中查找指定位置附近的点。
- 主要功能：加速点云数据的查询和检索。
- 示例算法：Kd 树搜索、最近邻搜索、半径搜索等。
- octree（Octree）：
- 模块描述：提供了点云数据的八叉树表示。
- 主要功能：空间分割和快速点云数据查询。
- 示例算法：八叉树构建、点云体素化、体素搜索等。
- segmentation（分割）：
- 模块描述：用于对点云数据进行分割，将点云数据分成多个子集。
- 主要功能：识别和提取点云中的不同对象或部分。
- 示例算法：平面分割、聚类分割、分割分割等。
- sample_consensus（采样一致性）：
- 模块描述：提供了各种采样一致性算法，用于模型拟合和估计。
- 主要功能：从局部点云数据中拟合模型并估计模型参数。
- 示例算法：RANSAC（Random Sample Consensus）、MSAC（M-estimators Sample Consensus）等。
- surface（表面）：
- 模块描述：用于表面重建和曲面拟合。
- 主要功能：从点云数据中重建出表面模型。
- 示例算法：法线估计、点云重建、三角网格生成等。
- recognition（识别）：
- 模块描述：用于点云数据的目标识别和物体识别。
- 主要功能：从点云数据中识别特定的目标或物体。
- 示例算法：形状识别、特征匹配、模板匹配等。
- io（输入输出）：
- 模块描述：提供了点云数据的输入和输出功能。
- 主要功能：读取和写入点云数据到文件中。
- 示例算法：PCD（Point Cloud Data）格式、PLY（Polygon File Format）格式等。
- visualization（可视化）：
- 模块描述：用于可视化点云数据。
- 主要功能 ：交互式地显示和编辑点云数据。
- 示例算法：点云渲染、添加图形对象、调整视角等。