qq_40985985的博客

点云生成8面体点并拟合绘制表面重建结果。（官方示例兔子，8面体，多面体，球体）

这篇博客将介绍 **迭代最近点配准算法(Iterative Closest Point, ICP)** 。多年来，它一直是研究和工业中几何注册的支柱。**输入是两个点云和一个初始变换，该变换大致将源点云与目标点云对齐。输出是一个精确的变换，它将两个点云紧密对齐。**- 将展示俩种ICP变体，点对点ICP（PointToPoint）和点对面ICP（PointToPlane）。

这篇博客将介绍以下5部分：1. 随机生成点云点2. 投影点到面（给出了6个面的中心点，离哪个中心点距离近就投影到哪个面）3. 对投影到每个面的点云计算法向量点（3种方法 KNN 半径近邻 混合近邻）4. 对每个面上的法向量及与平均法向量的夹角5. 可视化原始点及法向量点

这篇博客将介绍如何使用python-pcl对点云las/laz进行下采样/抽稀，可以根据设置的参数rate决定下采样到原始数据的90%，80%，60%，或者40%，不会完整的按这个梯度递减，但参数rate顺序下降，基本能大致达到这个概率。

1. python las、laz读取与写入2. python .las压缩.laz，.laz与.las互转3. python .laz读取

Windows10下python-pcl的安装步骤说明，亲测ok

LIDAR Data：LIDAR数据类似于带有激光的RADAR，是光检测和测距的缩写。laspy库提供了python API，用于读取，写入和操作一种流行的用来存储LIDAR数据的（.LAS文件）。 LAS文件是根据几种规格打包的二进制文件。Las： 二进制格式；是点云lidar数据的一种典型格式。las文件是根据多种las规格打包而成的二进制文件。Las 规格las1.0支持l...

点云Las文件是什么？1. LIDAR数据2. LAS点云规格3. LAS Header头文件4. LAS Header版本与LAS点格式5. 点云Header与点格式对应关系6. 示例查看点云文件的规格和格式7. LAS读取可参考 pylas 及 laspy库参考

Open3D算法最全合集，致力于搜集可运行，可视化较好的Open3D算法，持续更新中…1. Open3D 点云读取及可视化、离群点去除2. Open3D 点云体素格下采样3. Open3D 点云KdTree建立、3种近邻搜索及结果可视化Open3D 点云法向量3种计算方法及可视化5. Open3D 点云下采样、离群点去除、地面提取、法向量计算及可视化6. Open3D 点云 DbScanClustering聚类算法7. Open3D 计算点云凸包8. Open3D 计算点云包围盒9.

该博客主要进行：（1）点云读取可视化（2）下采样可视化（3）法向量三种估计方式（K近邻估计，半径近邻估计，混合搜索估计）（4）点云法向量可视化（5）点云每个点对应的法向量点存储（6）点云法向量点可视化

1. 点云索引Open3D KdTree，可以快速的在无序的点云中建立空间拓扑结构，使得能迅速的进行近邻搜索；2. 近邻方法分类：Open3D这边支持的近邻搜索方法由VTK实现；K近邻搜索（K Nearest Neighbors Search）半径近邻搜索（Radius Nearest Neighbors Search）混合近邻搜索（ RKNN Radius K Nearest Neighbors Search）3. 索引应用点云下采样点云的高效无损压缩 15%基于邻域关

1. 估算PointCloud的表面法线（Surface Normals）2. 打印点云的法向量结果；3. 存储点云的法向量结果；

Open3D：3D数据处理的现代库，是一个开放源代码库，支持快速开发处理3D数据的软件。Open3D在C ++和Python中公开了一组精心选择的数据结构和算法。后端经过高度优化，并支持并行化。 推荐Python，支持Python（3.5、3.6、3.7、3.8），支持系统（Ubuntu 18.04+、macOS 10.14+、Windows 10 (64-bit)）。Open3D的核心功能包括：3D数据结构3D数据处理算法场景重建表面对齐3D可视化基于物理的渲染【 Physically

基于法线差异来分割点云1. 法向量的计算及可视化法线又称法向量，因为在三维的点云中，根据一个点的K近邻点或者一个点的radius半径范围内的点拟合一个平面，而垂直这个平面且经过改点的线称之为法向量。法向量是点云点到另一个点的有方向的线段，可视化法向量，其实就是可视化的这条有方向的线段。上一节已经学习了 使用积分图像进行正态估计，得出点云的法向量，并将其可视化显示或者存储。那法向量还可以做什么呢？这一节将来探索基于法向量的差异来分割点云；在本教程中，我们将学习如何使用在pcl :: Differe

DBSCAN聚类算法，是基于密度的聚类算法。该算法需要两个参数。labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))入参：eps： 定义到聚类邻居的距离min_points： 定义形成聚类所需的最小点数。出参：该函数返回一个标签，其中标签-1表示噪音。该算法定义以选中的点开始蔓延，邻居点距离<=0.02米，最小有10个点就可以构成一个簇；适用于原始点云分隔的比较

1. 点云重采样基于多项式平滑点云及法线估计的曲面重建以实现重采样，可以使得点云数据更规整一些，没之前那么杂乱。set_Compute_Normals(True) 可以通过在最小二乘法中进行法线估计，提高重采样准确度；set_polynomial_fit(True) 可以通过不需要多项式拟合来加快平滑速度，设置为True则在整个算法运行时采用多项式拟合来提高精度；2. 效果如下：重建前：正面：侧面：重建后：正面：侧面：可以看到重采样后点云的形状清晰了许多。参考：htt

点云去除离群点方法：StatisticalOutlierFilter原理：使用K近邻方法找到点云中每个点k近邻，计算出标准距离；设置俩个点之间距离超过标准距离*std倍数的为离群点。结果：将点云分为俩部分，内点以及离群点。通过设置 set_negative 可保存离群点的点云文件，也可保存内点点云文件。官方示例效果如下：原始点云：内点点云：离群点云：可以看到柱子腿旁边的离散的点被去掉了。官方数据集的效果比较好，具体应用到自己的数据集上，点云密度太大，一个是耗时，另一个效果也不是那么好

点云数据主要是表征目标表面的海量点集合，并不具备传统实体网格数据的几何拓扑信息。点云处理中最核心的问题就是建立离散点间的拓扑结构。实现基于邻域关系的快速查找，划分空间的索引结构主要有：k-d tree，八叉树。...

Python-pcl 点云下采样时报错及解决[pcl::VoxelGrid::applyFilter] Leaf size is too small for the input dataset. Integer indices would overflow.[pcl::VoxelGrid::applyFilter] Leaf size is too small for the input dataset. Integer indices would overflow

Java调用python代码，通过调用pyinstall打包后的.exe程序。Java调用exe程序并获取exec（）中打印的日志；

Python、C++ 的las转pcd文件

lasTools工具的laszip.exe 点云无损压缩/解压缩工具的使用