对于深度数据而言，mat记录的是深度值，当对深度值进行各种处理，例如获取直线、圆、椭圆等其他形状时，如果平面没有完全水平，你使用opencv处理精度是有损失的，因此这里使用opencv 先对平面进行矫正，矫正原理是在有效平面内随机采集3000点的深度数据，使用深度数据进行拟合平面，计算平面的倾斜较大，然后使用角度对原始数据进行矫正，代码如下：

// 将深度图转换为点云
std::vector<cv::Point3f> depthToPointCloud(const cv::Mat& depthImage) {std::vector<cv::Point3f> pointCloud;// 设置随机数生成器std::random_device rd;std::mt19937 gen(rd());std::uniform_int_distribution<> distRow(0, depthImage.rows - 1);std::uniform_int_distribution<> distCol(0, depthImage.cols - 1);// 要提取的像素点数量int numPixels = 2000; // 你可以根据需要调整这个数量// 存储随机提取的像素点std::vector<cv::Vec3b> randomPixels;for (int i = 0; i < numPixels; ++i) {int y = distRow(gen);int x = distCol(gen);//randomPixels.push_back(image.at<cv::Vec3b>(row, col));cv::Point3f point((float)x, (float)y, depthImage.at<float>(y, x)); // 构造三维点pointCloud.push_back(point); // 添加到点云}//for (int y = 0; y < depthImage.rows; ++y) {//    for (int x = 0; x < depthImage.cols; ++x) {//        float depth = depthImage.at<float>(y, x); // 获取深度值//        //if (std::isnan(depth) || depth <= 0.0) {//        //    continue; // 跳过无效深度值//        //}//        cv::Point3f point((float)x, (float)y, depth); // 构造三维点//        pointCloud.push_back(point); // 添加到点云//    }//}return pointCloud;
}// 函数：拟合平面
cv::Vec4f fitPlaneRANSAC(const std::vector<cv::Point3f>& points, int maxIter = 1000, float threshold = 0.01) {if (points.empty())return cv::Vec4f();cv::Vec4f bestPlane;int bestInliers = 0;for (int iter = 0; iter < maxIter; ++iter) {// 随机选择三个点std::vector<int> indices(points.size());std::iota(indices.begin(), indices.end(), 0);std::shuffle(indices.begin(), indices.end(), std::default_random_engine(5));cv::Point3f p1 = points[indices[0]];cv::Point3f p2 = points[indices[1]];cv::Point3f p3 = points[indices[2]];// 计算平面的法向量cv::Point3f v1 = p2 - p1;cv::Point3f v2 = p3 - p1;cv::Point3f normal = v1.cross(v2);normal /= cv::norm(normal);// 平面公式：Ax + By + Cz + D = 0float D = -normal.dot(p1);cv::Vec4f plane(normal.x, normal.y, normal.z, D);// 计算内点数量int inliers = 0;for (const auto& point : points) {float distance = std::abs(plane[0] * point.x + plane[1] * point.y + plane[2] * point.z + plane[3]);if (distance < threshold) {inliers++;}}// 更新最佳平面if (inliers > bestInliers) {bestInliers = inliers;bestPlane = plane;}}return bestPlane;
}// 函数：矫正平面
void correctPlane(const cv::Vec4f& plane, cv::Mat& points) {cv::Mat normal_m, normal_m_8;cv::normalize(points, normal_m, 1, 0, cv::NORM_MINMAX);normal_m.convertTo(normal_m_8, CV_8U, 255.0);cv::Vec3f normal(plane[0], plane[1], plane[2]);cv::Vec3f zAxis(0, 0, 1);cv::Vec3f rotationAxis = normal.cross(zAxis);float angle = std::acos(normal.dot(zAxis) / (cv::norm(normal) * cv::norm(zAxis)));cv::Mat rotationMatrix;cv::Rodrigues(rotationAxis * angle, rotationMatrix);for (int i = 0; i < points.rows; ++i) {cv::Vec3f point = points.at<cv::Vec3f>(i);// 将 point 转换为 cv::Mat 类型cv::Mat pointMat = (cv::Mat_<float>(3, 1) << point[0], point[1], point[2]);// 矩阵乘法cv::Mat transformedPointMat = rotationMatrix * pointMat;// 将结果转换回 cv::Vec3f 类型points.at<cv::Vec3f>(i) = cv::Vec3f(transformedPointMat.at<float>(0), transformedPointMat.at<float>(1), transformedPointMat.at<float>(2));}cv::Mat normal_m_, normal_m_8_;cv::normalize(points, normal_m_, 1, 0, cv::NORM_MINMAX);normal_m_.convertTo(normal_m_8_, CV_8U, 255.0);}

从矫正前的数据和矫正后的数据可以发现，平面得到了很好得了很好的矫正。