open3d 计算点云密度
一、计算点云密度(一)
import open3d as o3d
import numpy as np
if __name__ == '__main__':
print("->正在加载点云... ")
point_cloud = o3d.io.read_point_cloud("res/bunny.pcd")
# 对于每个点,都计算了离他最近的点的距离,由此可以得知这堆点云的所有点之间的平均距离
distances = point_cloud.compute_nearest_neighbor_distance()
avg_dist = np.mean(distances)
print("点云密度为=", avg_dist)
原理
计算了点云中每个点到其最近邻点的距离,并计算了这些距离的平均值。这样可以得到点云的平均密度或平均分布距离。
二、计算点云密度(二)
import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("res/bunny.pcd") # 读取点云数据
point = np.asarray(pcd.points) # 获取点坐标
kdtree = o3d.geometry.KDTreeFlann(pcd) # 建立KD树索引
point_size = point.shape[0] # 获取点的个数
dd = np.zeros(point_size)
for i in range(point_size):
[_, idx, dis] = kdtree.search_knn_vector_3d(point[i], 2)
dd[i] = dis[1] # 获取到最近邻点的距离平方
density = np.mean(np.sqrt(dd)) # 计算平均密度
print("点云密度为 denstity=", density)
原理
- 通过
o3d.geometry.KDTreeFlann(pcd)
命令建立了一个 KD 树索引,其中pcd
是一个点云对象。 - 获取点云中点的数量,即
point_size = point.shape[0]
。 - 创建一个长度为
point_size
的零数组dd
,用于存储每个点到其最近邻点的距离平方。 - 遍历点云中的每个点,对于每个点,通过
kdtree.search_knn_vector_3d(point[i], 2)
命令搜索其最近的两个邻居点,返回了最近邻点的索引和距离。 - 将距离平方存储在
dd[i]
中,其中dis[1]
表示第二个邻居点的距离,因为第一个邻居点是其自身,所以要取第二个邻居点的距离。
这样,数组 dd
中存储了每个点到其最近邻点的距离平方。
三、相关数据
百度网盘数据集:
包括 obj,pcd,las,png,ply等
百度网盘链接:https://pan.baidu.com/s/1JFxKUk_xMcEmpfBHtuC-Pg
提取码:cpev