/*
 Эксперименты с использованием преобразования нормального распределения для регистрации . Среди них room_scan1.pcd  room_scan2.pcd Эти облака точек содержат 360 сканов одной и той же комнаты с разных точек зрения.
 */
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <boost/thread/thread.hpp>
#define BOOST_TYPEOF_EMULATION	//Решение: в библиотеке облака точек pcl есть ошибка в typeof_impl.hpp
#include <pcl/registration/ndt.h>      //Файл заголовка класса регистрации NDT (нормальное распределение)
#include <pcl/filters/approximate_voxel_grid.h>   //Заголовочный файл класса фильтра  (Эффект от использования фильтра сетки вокселей лучше)
#include <pcl/visualization/pcl_visualizer.h>


int main(int argc, char** argv)
{
	// Загрузите первое облако точек сканирования данных комнаты в качестве цели.
	pcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("data/room_scan1.pcd", *target_cloud) == -1)
	{
		PCL_ERROR("Couldn't read file room_scan1.pcd \n");
		return (-1);
	}
	std::cout << "Loaded " << target_cloud->size() << " data points from room_scan1.pcd" << std::endl;

	// Загрузите данные второго облака точек сканирования, полученные с новой точки зрения, в качестве исходного облака точек.
	pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("data/room_scan2.pcd", *input_cloud) == -1)
	{
		PCL_ERROR("Couldn't read file room_scan2.pcd \n");
		return (-1);
	}
	std::cout << "Loaded " << input_cloud->size() << " data points from room_scan2.pcd" << std::endl;

	//Приведенный выше код загружает два файла PCD для получения общего указателя. Последующая регистрация предназначена для завершения оценки матрицы преобразования опорной системы координат из исходного облака точек в целевое облако точек и получения преобразования второго набора. облаков точек в первый набор точек Матрица преобразования в облачную систему координат.
	// Отфильтруйте входное отсканированное облако точек до 10 % от исходного размера, чтобы увеличить скорость сопоставления. Фильтруется только исходное облако точек, чтобы уменьшить его объем, а целевое облако точек не требует фильтрации.
	//Потому что в NDTалгоритме статистический расчет структуры данных сетки вокселей, соответствующей целевому облаку точек, не использует одну точку, а использует статистические данные точек, содержащихся в каждой ячейке вокселя
	pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter;
	approximate_voxel_filter.setLeafSize(0.2, 0.2, 0.2);
	approximate_voxel_filter.setInputCloud(input_cloud);
	approximate_voxel_filter.filter(*filtered_cloud);
	std::cout << "Filtered cloud contains " << filtered_cloud->size()
		<< " data points from room_scan2.pcd" << std::endl;

	// Инициализируйте объект нормального распределения (NDT)
	pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;

	// Установите параметры, связанные с неразрушающим контролем, в соответствии с масштабом входных данных.
	ndt.setTransformationEpsilon(0.01);   //Устанавливаем минимальную разницу конвертации для условия завершения
	ndt.setStepSize(0.1);    //Устанавливаем максимальный размер шага для более тщательного поиска строк
	ndt.setResolution(1.0);   //Устанавливаем разрешение структуры сетки NDT (voxelgridcovariance)
	//Вышеуказанные параметры работают лучше при использовании соотношения размеров комнаты, но если вам нужно обрабатывать более мелкие объекты, такие как скан чашки, вам необходимо уменьшить параметры.

	//Установите максимальное количество совпадающих итераций. Этот параметр управляет максимальным количеством итераций, которые выполняет программа. Вообще говоря, программа оптимизации завершится при пороге преобразования эпсилон до этого предельного значения.
	//Добавление максимального предела итераций может повысить надежность программы и предотвратить ее слишком долгое выполнение в неправильном направлении.
	ndt.setMaximumIterations(35);

	ndt.setInputSource(filtered_cloud);  //Исходное облако точек
	// Setting point cloud to be aligned to.
	ndt.setInputTarget(target_cloud);  //Целевое облако точек

	// Установите грубые исходные результаты матрицы преобразования, полученные с помощью одометрии робота.
	Eigen::AngleAxisf init_rotation(0.6931, Eigen::Vector3f::UnitZ());
	Eigen::Translation3f init_translation(1.79387, 0.720047, 0);
	Eigen::Matrix4f init_guess = (init_translation * init_rotation).matrix();

	// Рассчитайте преобразование твердого тела, необходимое для сопоставления исходного облака точек с целевым облаком точек.
	pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	ndt.align(*output_cloud, init_guess);
	//Выходное_облако в этом месте нельзя использовать в качестве окончательного преобразования исходного облака точек, поскольку облако точек фильтруется выше.
	std::cout << "Normal Distributions Transform has converged:" << ndt.hasConverged()
		<< " score: " << ndt.getFitnessScore() << std::endl;

	// Преобразуйте входное облако точек для фильтрации с помощью созданного преобразования.
	pcl::transformPointCloud(*input_cloud, *output_cloud, ndt.getFinalTransformation());

	// Сохраните преобразованное исходное облако точек в качестве окончательного результата преобразования.
	pcl::io::savePCDFileASCII("room_scan2_transformed.pcd", *output_cloud);

	// Инициализация облака точек объекта предварительного просмотра
	boost::shared_ptr<pcl::visualization::PCLVisualizer>
	viewer_final(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer_final->setBackgroundColor(0, 0, 0);  //Установим черный цвет фона

	// Раскрасить целевое облако точек Предварительный просмотр (red).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
	target_color(target_cloud, 255, 0, 0);
	viewer_final->addPointCloud<pcl::PointXYZ>(target_cloud, target_color, "target cloud");
	viewer_final->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1, "target cloud");

	// Раскрасьте преобразованное исходное облако точек. (green)Визуализация.
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
	output_color(output_cloud, 0, 255, 0);
	viewer_final->addPointCloud<pcl::PointXYZ>(output_cloud, output_color, "output cloud");
	viewer_final->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1, "output cloud");

	// запускать Визуализация
	viewer_final->addCoordinateSystem(1.0, "global");  //Отображение оси индикатора XYZ
	viewer_final->initCameraParameters();   //Инициализируем параметры камеры

	// Подождите, пока окно предварительного просмотра не закроется.
	while (!viewer_final->wasStopped())
	{
		viewer_final->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return (0);
}