两点云求交集-python实现

这里两点云的交集指既属于点云1又属于点云2的点集。
基于kd-tree搜索的方法较快速，当然也可以暴力搜索。思路如下：
step1 在点云2建立kd-tree，设置容忍误差（搜索半径）
step2 遍历点云1中的点，记录下到点云2中的点的距离小于搜索半径的点的索引
step3 将点云1中不在索引中的点保存下来作为结果点云3

两点云求交集

红色和蓝色为cloud1和cloud2，黄色为交集部分，使用的KD树搜索半径范围内的点，设置为0.0001。

图一  点云一

图二 点云二

图三 求交集后

import open3d as o3d
import numpy as np
def intersection(cloud1,cloud2):
    """
    点云数据求交集
    len(cloud1)<len(cloud2)
    :param cloud1: point cloud
    :param cloud2: point cloud
    :return: intersection point cloud
    """
    # 构件KD树
    kdtree = o3d.geometry.KDTreeFlann(cloud2)
    # 半径搜索
    radius = 0.0001
    # 用于存储在cloud2中找到的与cloud1中每个点的最近邻索引
    indices = []
    # 遍历cloud1中的每个点
    for i in range(len(cloud1.points)):
        # 使用 KD 树搜索在半径radius内的最近邻点索引
        [_, idx, _] = kdtree.search_radius_vector_3d(cloud1.points[i], radius)
        idx = np.asarray(idx, dtype=int)  # 将索引转换为整数类型
        if len(idx) > 0:
            indices.append(i)
    # 提取点数据
    cloud3_points = [cloud1.points[i] for i in indices if i < len(cloud1.points)]
    cloud3 = o3d.geometry.PointCloud()
    cloud3.points = o3d.utility.Vector3dVector(cloud3_points)

    # Print Point Cloud Sizes
    print(f"cloud1 has {len(cloud1.points)} points")
    print(f"cloud2 has {len(cloud2.points)} points")
    print(f"cloud3 has {len(cloud3.points)} points")

    # Save Point Cloud
    o3d.visualization.draw_geometries([cloud3])
    return cloud3

参考文章

给算法爸爸上香. 两点云求差集和交集