Open3D计算点云距离
Open3D中的compute_point_cloud_distance函数计算从源点云中每个点到目标点云中最近邻点的距离。
import open3d as o3d
import numpy as np
# 读取点云
pcd1 = o3d.io.read_point_cloud("cloud_bin_0.pcd")
print(pcd1)
pcd2 = o3d.io.read_point_cloud("cloud_bin_1.pcd")
print(pcd2)
# 距离计算
dists = pcd1.compute_point_cloud_distance(pcd2)
dists = np.asarray(dists)
print()
print("前10个点的距离为:\n", dists[:10])
# 提取距离大于0.1的点
ind = np.where(dists > 0.1)[0]
pcd3 = pcd1.select_by_index(ind)
print(pcd3)
o3d.visualization.draw_geometries([pcd3], window_name="计算点云距离",
width=800, # 窗口宽度
height=600) # 窗口高度
Open3D 计算点云法向量
import open3d as o3d
# 读取点云
pcd = o3d.io.read_point_cloud("desk.pcd")
print(pcd)
# 法线估计
radius = 0.01 # 搜索半径
max_nn = 30 # 邻域内用于估算法线的最大点数
pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius, max_nn))
o3d.visualization.draw_geometries([pcd], window_name="法线估计",
point_show_normal=True,
width=800, # 窗口宽度
height=600) # 窗口高度
Open3D 点云分割
随机抽样一致性算法RANSAC(Random sample consensus)是一种迭代的方法来从一系列包含有离异值的数据中计算数学模型参数的方法。
RANSAC算法本质上由两步组成,不断进行循环:
从输入数据中随机选出能组成数学模型的最小数目的元素,使用这些元素计算出相应模型的参数。选出的这些元素数目是能决定模型参数的最少的。
检查所有数据中有哪些元素能符合第一步得到的模型。超过错误阈值的元素认为是离群值(outlier),小于错误阈值的元素认为是内部点(inlier)。
这个过程重复多次,选出包含点最多的模型即得到最后的结果。
RANSAC具体到空间点云中拟合平面:
1、从点云中随机选取三个点。
2、由这三个点组成一个平面。
3、计算所有其他点到该平面的距离,如果小于阈值T,就认为是处在同一个平面的点。
3、如果处在同一个平面的点超过n个,就保存下这个平面,并将处在这个平面上的点都标记为已匹配。
4、终止的条件是迭代N次后找到的平面小于n个点,或者找不到三个未标记的点。
import open3d as o3d
pcd = o3d.io.read_point_cloud("desk.pcd")
print(pcd)
distance_threshold = 0.2 # 内点到平面模型的最大距离
ransac_n = 3 # 用于拟合平面的采样点数
num_iterations = 1000 # 最大迭代次数
# 返回模型系数plane_model和内点索引inliers,并赋值
plane_model, inliers = pcd.segment_plane(distance_threshold, ransac_n, num_iterations)
# 输出平面方程
[a, b, c, d] = plane_model
print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
# 平面内点点云
inlier_cloud = pcd.select_by_index(inliers)
inlier_cloud.paint_uniform_color([0, 0, 1.0])
print(inlier_cloud)
# 平面外点点云
outlier_cloud = pcd.select_by_index(inliers, invert=True)
outlier_cloud.paint_uniform_color([1.0, 0, 0])
print(outlier_cloud)
# 可视化平面分割结果
o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud])