目录
Open3D点云算法汇总及实战案例汇总的目录地址:
Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客
一、概述
基于法向量夹角的特征点提取是一种在点云处理中用于识别表面变化显著区域的技术。通过计算点云中每个点的法向量与其邻域点法向量之间的夹角,可以判断点云表面的局部变化程度,并提取那些法向量变化较大的点作为特征点。这种方法特别适用于提取边缘、角点等关键几何特征。
1.1原理
法向量是描述点云表面方向的矢量,法向量之间的夹角反映了表面的局部变化情况。对于一个点 𝑝𝑖,通过计算其法向量 𝑛𝑖与邻域点的法向量 𝑛𝑗之间的夹角,可以判断该点是否处于表面变化剧烈的区域。
1.2实现步骤
- 加载点云数据: 使用 Open3D 加载点云文件。
- 法向量估计: 通过 K 近邻搜索计算每个点的法向量。
- 计算法向量夹角: 对于每个点,计算其法向量与邻域点法向量之间的夹角,并存储这些夹角的平均值或最大值。
- 提取特征点: 根据设定的夹角阈值,选择法向量夹角较大的点作为特征点。
- 特征点放大和颜色区分: 将特征点的坐标略微放大,并使用鲜艳颜色标记,以便与原始点云区分。
- 可视化结果: 显示原始点云和特征点,便于比较和分析。
1.3应用场景
- 边缘检测: 提取点云中的边缘点,用于物体识别或边缘增强。
- 特征匹配: 在多视角点云的合成或配准中,基于法向量夹角提取的特征点能够显著提高配准精度。
- 三维重建: 在三维重建过程中,通过提取特征点来提高模型的精度和保真度。
二、代码实现
import open3d as o3d
import numpy as np
# 加载点云数据
pcd = o3d.io.read_point_cloud("bunny.pcd")
# 显示原始点云
print("Displaying original point cloud...")
o3d.visualization.draw_geometries([pcd], window_name="Original Point Cloud", width=800, height=600)
# 估计法向量
pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
# 计算法向量夹角
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
angle_threshold = np.radians(30) # 设置夹角阈值,30度
angles = np.zeros(len(pcd.points))
for i in range(len(pcd.points)):
[_, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[i], 30)
angles[i] = np.mean([
np.arccos(np.dot(pcd.normals[i], pcd.normals[j]))
for j in idx if j != i and np.dot(pcd.normals[i], pcd.normals[j]) <= 1
])
# 根据夹角提取特征点
indices = np.where(angles > angle_threshold)[0]
feature_pcd = pcd.select_by_index(indices)
# 将特征点放大以便区分
feature_points = np.asarray(feature_pcd.points)
feature_points_scaled = feature_points * 1.02 # 略微放大特征点位置
# 创建放大的特征点点云
feature_pcd_scaled = o3d.geometry.PointCloud()
feature_pcd_scaled.points = o3d.utility.Vector3dVector(feature_points_scaled)
feature_pcd_scaled.paint_uniform_color([1, 0, 0]) # 红色显示特征点
# 灰色显示原始点云
pcd.paint_uniform_color([0.5, 0.5, 0.5])
# 可视化特征点与原始点云
print("Displaying feature points based on normal vector angles...")
o3d.visualization.draw_geometries([pcd, feature_pcd_scaled], window_name="Feature Points", width=800, height=600)