Open3d数据滤波和点云分割

LeonDL168

于 2024-09-11 09:47:54 发布

阅读量136

点赞数

分类专栏： Open3D 文章标签：计算机视觉人工智能视觉检测图像处理算法

原文链接：https://tinycool.blog.csdn.net/article/details/127069510

版权

Open3D 专栏收录该内容

35 篇文章 2 订阅

订阅专栏

文章目录

open3d快速上手

索引滤波

所谓的索引滤波压根就不是滤波，只是根据索引，将点选出而已，总共有两种选取方法，一是选取索引对应的点；二是选取索引之外的点。

import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("rabbit.pcd")
idx = np.arange(10000)
# 索引对应的点
pIn = pcd.select_by_index(idx)
pIn.paint_uniform_color([1, 0, 0])
# 索引外的点云
pOut = pcd.select_by_index(idx, invert=True)
pOut.paint_uniform_color([0, 1, 0])
o3d.visualization.draw_geometries([pIn, pOut])

效果为

在这里插入图片描述

统计滤波和邻域滤波

这两中滤波方法都是先得到符合要求的点索引，然后通过索引滤波，将这些点挑选出来，输出输出为滤波后的点云和点的索引号。

# 上接索引滤波的内容

pcd1 = copy.deepcopy(pcd).translate((20, 0, 0))
# 统计滤波，参数分别表示K邻域点的个数和标准差乘数
sPcd, sInd = pcd1.remove_statistical_outlier(6, 2.0)

pcd2 = copy.deepcopy(pcd).translate((40, 0, 0))
# 半径滤波，输入参数为邻域球内最少点数和邻域半径
rPcd, rInd = pcd2.remove_radius_outlier(9, 0. )

o3d.visualization.draw_geometries([sPcd, rPcd])

效果如下

在这里插入图片描述

这两种算法的逻辑是一样的，对于某点

     x  x

$x$ ，选取距离

     x   x

$x$ 最近的一些点，如果这些点的标准差小于设定值，则符合统计滤波的标准；如果均小于邻域半径，则符合半径滤波的标准。

体素滤波

体素滤波则会为点云构建三维体素格网，然后输出格网内的点云质心，所以这种滤波方式没有索引号的概念，其输入参数为体素尺寸。

downpcd = pcd.voxel_down_sample(20)

 
 
 
 1

DBSCAN聚类

DBSCAN，即Density-Based Spatial Clustering of Applications with Noise，基于密度的噪声应用空间聚类。

在DBSCAN算法中，将数据点分为三类：

核心点：若样本
```
       x i  x_i 
```

$x_{i}$ 的

      ε  \varepsilon

$ε$ 邻域内至少包含了

MM

$M$ 个点，则为核心点

边界点：若样本

       x  i x_i

$x_{i}$ 的

      ε  \varepsilon

$ε$ 邻域内包含的点数小于

M M

$M$ ，但在其他核心点的

      ε \varepsilon

$ε$ 邻域内，则为边界点

噪声：既非核心点也非边界点则为噪声
可见，DBSCAN算法需要两个参数，分别是邻域半径
```
     ε   \varepsilon 
```
$ε$ 和点数
```
     M M 
```
$M$ 。

在open3d中，提供了cluster_dbscan接口，
```
import open3d as o3d
import numpy as np
import matplotlib.pyplot as plt
```
pcd = o3d.io.read_point_cloud(“rabbit.pcd”)

eps = 0.5 # 同一聚类中最大点间距
M = 50 # 有效聚类的最小点数
Labels = np.array(pcd.cluster_dbscan(eps, M))
print(np.max(Labels)) # 得到结果为3
cs = plt.get_cmap(“jet”)(Labels/3) # 伪彩映射
cs[labels < 0] = 0 # labels = -1 的簇为噪声，以黑色显示
pcd.colors = o3d.utility.Vector3dVector(cs[:, :3])
o3d.visualization.draw_geometries([pcd])

结果如图所示

RANSAC 平面分割

RANSAC，即RANdom SAmple Consensus，随机抽样一致算法。

以平面上的点集举例，假设点集中有一条直线
```
     L  L 
```
$L$ ，
```
     L  L 
```
$L$ 外的点很少，均为噪声。

那么第一步，随机选取两个点连成一条直线
```
      L ^ \hat L 
```
$L^$ ，那么这条直线有可能就是
```
     L  L 
```
$L$ ，也有可能是噪声连出来的莫名其妙的一条线。

接下来，随机抽取点集中的一些点，如果随机抽取的大部分点都落在
```
     L  L 
```
$L$ 附近，那么就说明
```
      L ^  \hat L 
```
$L^$ 有很大的概率就是
```
     L   L 
```
$L$ ；否则说明不太像是
```
     L  L 
```
$L$ 。随着抽取出的直线越来越多，最后可以得到最接近
```
     L L 
```
$L$ 的直线，从而完成了对点集的分割。

在Open3d中，提供了基于RANSAC算法的平面分割接口segment_plane
```
pcd = o3d.io.read_point_cloud("rabbit.pcd")
```
d = 0.2 # 内点到平面模型的最大距离
n = 5 # 用于拟合平面的采样点数
nIter = 50 # 最大迭代次数

# 返回模型系数plane和内点索引ids，并赋值
plane, ids = pcd.segment_plane(d, n, nIter)

# 平面方程
[a, b, c, d] = plane

# 平面内点点云
iCloud = pcd.select_by_index(ids)
iCloud.paint_uniform_color([0, 0, 1.0])

# 平面外点点云
oCloud = pcd.select_by_index(ids, invert=True)
oCloud.paint_uniform_color([1.0, 0, 0])

# 可视化平面分割结果
o3d.visualization.draw_geometries([iCloud, oCloud])

最后得到的结果为

本来以为平面会出现在兔子的底座上，没想到最后兔子被一分为二了……