weixin_44329757的博客

Python点云处理的方法学习，自定义函数或调用Open3D库

输入建筑物点云，计算每个点的法向，法向z轴分量小于一定阈值的点认为是立面点。立面点保留结果再去噪，下面是具体的实现代码和效果。

曲率描述了一个曲面或曲线的弯曲程度。在点云处理中，曲率通常通过分析每个点周围邻域的形状来进行计算，是计算机视觉和计算几何领域中的一个重要任务，它主要用于分析和理解三维点云数据的几何特性。这项技术在许多应用中都具有重要意义，包括物体识别、形状分析、特征提取、表面重建等。以下是对一个建筑物的曲率计算和可视化的方法。

道路表面通常是平坦光滑的，但有时会存在例如树叶，地下飞点等噪点，需要去除这些点云保证后续产品的正常生成，下面是实现效果和具体代码，直接复制黏贴即可使用。

曲率是描述曲面或曲线弯曲程度的数学量。在三维空间中，曲率可以用于分析点云数据的几何特征。通常，较小的曲率值表明该点位于相对平坦的区域，而较大的曲率值则表示该点位于曲面或曲线的尖锐部分，如边缘或角落。在点云处理中，通过计算每个点的曲率，可以筛选出在几何形状上具有特征的点，进而进行进一步的分析和处理。具体到保留曲率小的点，主要是为了提取那些平坦区域的点，这在许多应用场合中都有重要意义。

这个算法也是体素滤波， 它保留的点是近似点，也就是新的点，原始点云中对应位置是不存在这些点的。其他的看着类似，下面是代码，滤波抽稀结果。

最近点约束的体素滤波，是指在每个体素中，选择距离体素中心最近的原始点作为滤波结果，这样保留的是原始点位置。相比于体素滤波的重心点重新计算，或者八叉树体素中心，更加反映点云的原始分布。

体素滤波可以达到快速减少点云数量的目的，而海量点云往往是需要这一步骤才可以进行后续处理的，比如配准时使用千万级别的原始点云配准显然是不合理的，因此体素滤波是比较重要的点云预处理算法，这里介绍一种基于最小点约束的体素滤波方法，对满足内点数量要求的每个体素进行滤波处理。

【代码】Open3D 任意方向点云分层与可视化 （33）

这个算法的目标是从点云数据中去除无效的点，这些无效点可能是由于坐标值为无穷大（inf）或者不是数字（NaN）而产生的。这些无效点可能会导致后续处理步骤出现错误或异常，因此在处理点云数据时需要进行有效性检查和滤波。

条件滤波是一种基于点云属性的滤波方法，它根据点云中的属性信息，如坐标、强度、颜色、法向等字段，设定条件来对点云进行筛选和过滤。通过条件滤波，可以实现对点云数据的精细化处理，去除不需要的部分或者提取感兴趣的特征。

体素滤波（Voxel GridFiltering）是一种常用的点云滤波算法，用于对点云数据进行下采样（降低数据密度）以及去除噪声。该算法将点云数据划分为规则的体素网格，然后在每个体素中选择一个代表性点作为该体素的输出点。1 划分体素网格： 首先，将点云空间划分为一个三维网格，即体素网格。每个体素是一个立方体，其边长由用户定义。2 选择代表性点： 对于每个体素，选择一个代表性点作为该体素的输出点。通常选择该体素内部所有点的中心或者其他指标点。

在某个中心和半径已知的球表面，随机生成一系列带有高斯噪声的球面点云。

给定的四个点坐标，计算球心和半径，提供验证的四个点来比较最终的结果是否准确。

法线计算的方向通常都存在方向问题，用Open3D估计的点云法线，是在每个点的局部进行拟合，估计的法线方向并不一致，Open3D提供了使用最小生成树调整法线到统一方向的方法，下面是具体的实现代码，和实现效果：定向前：（朝向有上有下）定向后：（基本统一了方向）

定向后：（法线方向统一朝向一个方向）定向前：（法线的朝向是随机的，可能向下或者向上）这两个方向都是正确的。这就是经常遇到的法线方向问题。定向即为将方向统一，更加规整。

该方法通过计算协方差矩阵的特征向量来确定局部表面的主曲率和主方向，并由此得到法向量。对于给定点周围的邻域，可以通过最小化垂直于该局部平面的残差的方式来求解法向量。这两种方法都需要在点云的局部邻域内进行计算，以确保计算得到的法向量准确反映了点云表面的几何形状。总的来说，计算法向量的方法旨在找到能够最好地描述点云局部几何形状的方向，以便后续的三维数据处理和分析。第一次运行代码可能只显示了点云，没看到法向量，此时按n键，才能看到法向量*（如上图的黑线所示）另外， + - 键可以调节法线的长短。

要获取两片点云的公共重叠区域，使用以下步骤：对每一片点云构建 KD 树。遍历第一片点云的每一个点，并使用 KD 树在第二片点云中找到最近邻点。通过比较最近邻点之间的距离与阈值来确定是否属于重叠区域。将符合条件的点保存下来，即为两片点云的公共重叠区域。

计算两片点云之间的最小距离，最大距离

重复点指的是在点云中具有相同坐标的两个或多个点。这种情况可能由于采集设备误差、数据处理错误或者其他因素导致。在进行点云处理和分析时，保留重复点可能会对后续的算法和可视化产生负面影响，因此需要去除。常用的去除重复点的方法包括：精确去重：逐一比较每个点的坐标，并删除重复的点。网格滤波：将点云投影到一个网格中，然后保留每个格子中的一个点作为代表。哈希表：使用哈希表数据结构来快速查找和删除重复点。

上一章按照指定的系数，对点云进行了等比例缩放，这里输入缩放结果点云，反算二者之间的缩放系数。

实现这样一个功能，沿着中心，按照指定的比例，比如1/2，缩小或者放大点云，保存到新的文件中。

AABB型包围盒计算，顶点输出，体积输出，具体使用介绍，示例图，算法原理

质心和中心是有所区别的，点云质心可以看作每个点的坐标均值，点云中心可以看作点云所在包围盒的中心，这也是上一章坐标最值的常用方法，下面就两种方法进行实现（图例，大概就是这个意思，由于下面点的存在，质心比中心靠下）

快速获取点云块，沿着 x y z 各方向的坐标最值，这些在点云处理中的应用范围是如此广泛，这也是点云最常被用到的关键信息，后续的很多算法都会设置到这一处理方法。

使用八叉树来估计点云密度可以通过统计每个体素内部的点的数量来实现。Open3D库中的VoxelGrid数据结构可以帮助完成这一任务。

点云往往是不规则的，利用别的包围盒方法获取的体积可能不太准确，如果希望获取更准确的体积，这里介绍一种基于体素划分的体积计算方法，随着体素分辨率设置的尺寸减小，其计算的体积准确率越高，下面是代码和实现结果。

上一章介绍从点云构建八叉树，对点云所在体素进行了可视化显示，这里可以对体素构建八叉树，可视化显示八叉树的具体划分结构。

八叉树（Octree）是一种树形数据结构，通常用于对三维空间进行分割和组织。

对于每个点，将其到最近邻点的距离进行求和，并除以最近邻点的数量（通常为1），得到平均距离。这个平均距离可以被视为该点附近的点密度的一个估计。

在具体实现算法中，根据索引处理点云总是能加快速度的，减少内存消耗，这里给一个例子，如何根据索引，将一个点云中对应的点转存到另一个点云中，并可视化显示。

具体而言，search_hybrid_vector_3d方法会以指定的查询点为中心，在给定的半径范围内搜索邻域点。还可以指定近邻点的数量阈值，这对于需要特定数量邻域点的应用非常有用，比如提取最近的一定数量的点来进行后续处理或分析。在点云处理中，搜索圆柱形邻域点可以用于很多任务，比如特征提取、目标识别、密集匹配等。例如，在点云配准中，我们可能需要搜索目标点周围的邻域点来进行特征匹配，而这正是search_hybrid_vector_3d方法能够胜任的任务之一。

KD 树（k-dimensional tree）是一种用于组织 k 维空间中点的数据结构，旨在提供高效的 k最近邻搜索和范围搜索（如半径邻域搜索）。KD 树通过递归地将空间划分为多个超立方体区域来组织数据。这种分割方式使得 KD树能够在搜索时快速地排除大部分不相关的数据点。在构建 KD树时，选择一个维度作为切分平面，然后根据这个平面将数据划分成两个子集。在每个子集中，选取下一个维度，再次以该维度上的中值为界限切分数据。

在Open3D中，filter_smooth_taubin方法的三个参数代表如下：number_of_iterations：表示平滑处理的迭代次数。增加此值将导致对模型应用更多次的平滑操作，从而使得模型更加平滑。lambda_filter：表示Taubin平滑算法中的一个参数，负责控制对网格的平均移动。增加此值通常会导致更强烈的平滑效果。mu：同样是Taubin平滑算法中的一个参数，负责控制对网格的细节保持。增加此值通常会抑制细节部分的变化，从而实现对整体结构的平滑。

使用读写MESH模型的常见用途：数据交换：通过读写MESH模型，可以将三维模型在不同的软件之间进行导入和导出，实现数据的交换和共享。模型编辑和处理：对于三维模型的编辑、变形、修复或优化时，需要将模型读入到相应的软件中进行操作。同时，编辑后的模型也可以重新保存为MESH格式。三维打印：在进行三维打印前，通常需要将模型保存为MESH格式，以便与三维打印软件兼容。计算机仿真：在进行工程分析、流体力学仿真、有限元分析等工程领域的计算机仿真时，常常需要读入MESH格式的模型。

点云抽稀在计算机图形学和计算机视觉中有着广泛的应用，其作用包括但不限于以下几点：数据压缩： 点云抽稀可以有效地减少点云数据量，从而节省存储空间和降低数据传输成本。加速处理： 较为密集的点云通常需要更多的计算资源进行处理，抽稀可以减少数据点的数量，从而加快处理速度和提高计算效率。去除噪声： 一些点云数据可能受到噪声的影响，通过抽稀可以去除一些无意义的离散噪声点，使得数据更加干净。可视化优化： 在进行点云可视化时，过于密集的点云可能会导致可视化效果混乱，抽稀可以使可视化结果更清晰易懂。

半径滤波是一种常用的点云滤波方法，它通过在点云中采样一个指定半径内的点来减少数据量和去除噪声。在半径滤波中，对于给定半径大小，点云中每个点周围的邻域内都会被一个新的点所代替，这个新的点通常是该邻域内所有点的几何中心或者体素格子的中心。半径滤波通常用于稀疏化点云，以降低点云数据密度并去除一些小型噪声，非常适用于大型点云数据的处理。通过调整半径大小，可以控制点云重建后的点云密度，从而实现对点云数据的粗粒化或细粒化处理。

统计滤波是一种常用的点云滤波方法，用于去除噪声和异常点

点云直通滤波（Pass-Through Filtering）是一种常用的点云处理方法，用于根据某个特定轴上的范围来筛选点云数据。这种滤波通常用于去除在特定轴上超出指定范围的点云数据，从而保留感兴趣区域内的点云。（例如下图去除Z轴方向，红色以外的点）在点云直通滤波中，用户需要指定一个轴（通常是x、y或z轴），以及对应的最小值和最大值，在给定茹舍内的点云将被保留，而其它范围之外的点云将被滤除。

TXT文件是最直观明了的点云坐标文件，下面是关于如何读入和写出TXT文件中的点云，并显示在屏幕上。