meshlab: pymeshlab的ICP点云配准（icp between meshes）

 一、关于环境

 请参考：pymeshlab遍历文件夹中模型、缩放并导出指定格式-CSDN博客

二、关于代码

本文所给出代码仅为参考，禁止转载和引用，仅供个人学习。 本文所给出的例子是https://download.csdn.net/download/weixin_42605076/89233917中的obj_000001.ply。

实际应用中，很少能遇到使用meshlab的点云配准，但对于一些三维重建、位姿估计等应用场景，ICP是必不可少的函数。

第一段代码的目的是旋转、平移物体以模拟两个不对齐的物体模型。

# pymeshlab需要导入，其一般被命名为ml
import pymeshlab as ml

# numpy需要导入，其一般被命名为np
import numpy as np

# 本案例所使用的3D模型为压缩包中的obj_000001.ply，请将其与本脚本放置在同一文件夹内。
input_file = 'obj_000001.ply'

# 首先需要创建一个空的容器
mesh = ml.MeshSet()

# 然后，加载物体模型
mesh.load_new_mesh(input_file)

# 沿着x轴旋转10°
mesh.transform_rotate(
    rotaxis = 'X axis',
    angle = 10,
)

# 设置移动中心
customcenter = np.array([0, 0, 15], dtype=np.float64)

# 移动模型
mesh.transform_translate_center_set_origin(traslmethod = 'XYZ translation',
                                           axisx = customcenter[0],
                                           axisy = customcenter[1],
                                           axisz = customcenter[2],
                                           )

# 保存
mesh.save_current_mesh(input_file.replace('.ply', '_rot.ply'), save_vertex_normal = True, binary = False)

第二段代码的目的是加载平移旋转前后的两个物体模型并调用ICP算法来微调物体。

# pymeshlab需要导入，其一般被命名为ml
import pymeshlab as ml

# numpy需要导入，其一般被命名为np
import numpy as np

# 本案例所使用的3D模型为压缩包中的obj_000001.ply，请将其与本脚本放置在同一文件夹内。
input_file_1 = 'obj_000001.ply'

# 本案例所使用obj_000001_rot.ply是根据上一个脚本生成的，请将其与本脚本放置在同一文件夹内。
input_file_2 = 'obj_000001_rot.ply'

# 首先需要创建一个空的容器
mesh = ml.MeshSet()

# 然后，加载物体模型1
mesh.load_new_mesh(input_file_1)

# 然后，加载物体模型2
mesh.load_new_mesh(input_file_2)

# MeshLab过滤器名称：“ICP Between Meshes” 执行ICP算法以最小化两个点云之间的差异。
mesh.icp_between_meshes(
    referencemesh = 0, # 参考网格：参考网格是ICP过程中保持固定的点云。
    sourcemesh = 1, # 源网格：源网格是将进行旋转平移以匹配参考网格的点云。
    samplenum = 2000, # 样本数量：我们在每次ICP迭代中尝试选择的样本数量
    mindistabs = 10, # 最小起始距离：对于一个网格上的所有选定样本，我们只考虑ICP中接近该值的样本。如果MSD太大，可以包括异常值，如果它太小，收敛会非常慢。这里需要一个很好的猜测，建议值在设备扫描误差的10-100倍范围内。此值也会通过“减小距离系数”动态更改
    trgdistabs = 0.005, # 目标距离：当50%的选定样本低于该距离时，我们认为两个网格对齐。通常，它应该是一个低于扫描设备误差的值。
    maxiternum = 75, # 最大迭代次数：允许ICP执行的最大迭代次数。
    samplemode = True, # 法线均衡采样：如果为true（默认值），则选择的icp采样点的分布相对于曲面的法线是均匀的。否则，它们以空间均匀的方式分布。
    reducefactorperc = 0.8, # MSD减小系数：在每次ICP迭代中，最小起始距离减小为样本距离百分位数的5倍（例如，如果RF为0.9，则新的最小起始距离为该值的5倍，使得90%的样本位于低于的距离处。
    passhifilter = 0.75, # 样本切割高：在每次ICP迭代中，所有超过百分位数的样本都会被丢弃（在实践中，我们只使用最佳结果）。
    matchmode = True, # 刚性匹配：如果为true，则ICP仅通过旋转平移执行匹配（不允许缩放）。如果为false，则允许更宽松的变换矩阵（可能出现缩放和剪切）。
    savelastiteration = False, # 保存最后一次迭代：切换此复选框以保存两层中的最后迭代点。
)

# 合并物体1和物体2
mesh.flatten_visible_layers()

# 保存
mesh.save_current_mesh(input_file_1.replace('.ply', '_merge.ply'), save_vertex_normal = True, binary = False)