• （5）点云数据处理学习——其它官网例子2

    1、主要参考

    （1）官方稳定地址

    Point cloud — Open3D 0.16.0 documentation

    2、相关功能

    2.1凸包（Convex hull）
    （1）函数

    compute_vertex_normals
    create_from_triangle_mesh

    （2）功能说明

    点云的凸包是包含所有点的最小凸集。Open3D包含compute_convex_hull方法，用于计算点云的凸包。该实现基于Qhull。

    （3）测试代码

    在下面的示例代码中，我们首先从网格中采样一个点云，并计算作为三角形网格返回的凸包。然后，我们将凸包可视化为一个红色的LineSet。

    1）本次测试还是那只兔子，原始的3d显示如下

    1. import open3d as o3d
    2. import numpy as np
    3.  
    4.  
    5. #网络下载，官方例子
    6. # bunny = o3d.data.BunnyMesh()
    7. # mesh = o3d.io.read_triangle_mesh(bunny.path)
    8. #或者下载后本地读取
    9. #https://github.com/isl-org/open3d_downloads/releases/download/20220201-data/BunnyMesh.ply
    10. plypath = "D:/RGBD_CAMERA/python_3d_process/BunnyMesh/BunnyMesh.ply"
    11. # mesh = o3d.io.read_point_cloud(plypath)  # path为文件路径  #直接读取点云的方法
    12. mesh = o3d.io.read_triangle_mesh(plypath)  # path为文件路径
    13. o3d.visualization.draw_geometries([mesh])

    兔子的图，网络问题暂时上传不了

    注意：读取时使用了read_triangle_mesh（三角网格）而不是read_point_cloud

    2）方法一直接对兔子做凸包

    1. import open3d as o3d
    2. import numpy as np
    3.  
    4.  
    5. #网络下载，官方例子
    6. # bunny = o3d.data.BunnyMesh()
    7. # mesh = o3d.io.read_triangle_mesh(bunny.path)
    8. #或者下载后本地读取
    9. #https://github.com/isl-org/open3d_downloads/releases/download/20220201-data/BunnyMesh.ply
    10. plypath = "D:/RGBD_CAMERA/python_3d_process/BunnyMesh/BunnyMesh.ply"
    11. # mesh = o3d.io.read_point_cloud(plypath)  # path为文件路径  #直接读取点云的方法
    12. mesh = o3d.io.read_triangle_mesh(plypath)  # path为文件路径
    13. # o3d.visualization.draw_geometries([mesh])
    14.  
    15. #(方法一)直接对兔子做凸包
    16. hull, _ = mesh.compute_convex_hull()
    17. hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
    18. hull_ls.paint_uniform_color((1, 0, 0))
    19. o3d.visualization.draw_geometries([mesh,hull_ls])
    20.  
    21. #(方法二)对兔子采样后做凸包
    22. # pcl = mesh.sample_points_poisson_disk(number_of_points=2000)
    23. # hull, _ = pcl.compute_convex_hull()
    24. # hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
    25. # hull_ls.paint_uniform_color((1, 0, 0))
    26. #  o3d.visualization.draw_geometries([pcl, hull_ls])

    兔子的图如下

    3）方法二，对兔子进行下采样后做凸包

    1. import open3d as o3d
    2. import numpy as np
    3.  
    4.  
    5. #网络下载，官方例子
    6. # bunny = o3d.data.BunnyMesh()
    7. # mesh = o3d.io.read_triangle_mesh(bunny.path)
    8. #或者下载后本地读取
    9. #https://github.com/isl-org/open3d_downloads/releases/download/20220201-data/BunnyMesh.ply
    10. plypath = "D:/RGBD_CAMERA/python_3d_process/BunnyMesh/BunnyMesh.ply"
    11. # mesh = o3d.io.read_point_cloud(plypath)  # path为文件路径  #直接读取点云的方法
    12. mesh = o3d.io.read_triangle_mesh(plypath)  # path为文件路径
    13. # o3d.visualization.draw_geometries([mesh])
    14.  
    15.  
    16. #(方法一)直接对兔子做凸包
    17. # hull, _ = mesh.compute_convex_hull()
    18. # hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
    19. # hull_ls.paint_uniform_color((1, 0, 0))
    20. # o3d.visualization.draw_geometries([mesh,hull_ls])
    21.  
    22. #(方法二)对兔子采样后做凸包
    23. pcl = mesh.sample_points_poisson_disk(number_of_points=2000)
    24. hull, _ = pcl.compute_convex_hull()
    25. hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
    26. hull_ls.paint_uniform_color((1, 0, 0))
    27. o3d.visualization.draw_geometries([pcl, hull_ls])

    兔子的图如下

    （4）函数说明

    sample_points_poisson_disk    --  泊松磁盘采样，下采样的一个方法

    2.2 DBSCAN 分类集群（DBSCAN clustering） 

    （1）函数

    cluster_dbscan(eps=0.02, min_points=10, print_progress=True)

    （2）说明

    给定一个点云，例如一个深度传感器，我们希望将局部点云数据集群分组在一起。为此，我们可以使用聚类算法。Open3D实现了DBSCAN [Ester1996]，这是一种基于密度的聚类算法。该算法在cluster_dbscan中实现，需要两个参数:eps定义到集群中邻居的距离，min_points定义形成集群所需的最小点数。函数返回标签，其中标签-1表示噪声。

    （3）测试代码

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5. # 初次使用下载模型
    6. # ply_point_cloud = o3d.data.PLYPointCloud()
    7. # pcd = o3d.io.read_point_cloud(ply_point_cloud.path)
    8. # 或者直接使用本地
    9. plypath = "D:/RGBD_CAMERA/python_3d_process/DemoCropPointCloud/fragment.ply"
    10. pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    11.  
    12. with o3d.utility.VerbosityContextManager(
    13.         o3d.utility.VerbosityLevel.Debug) as cm:
    14.     labels = np.array(
    15.         pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))
    16.  
    17. max_label = labels.max()
    18. print(f"point cloud has {max_label + 1} clusters")
    19. colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
    20. colors[labels < 0] = 0
    21. pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
    22. o3d.visualization.draw_geometries([pcd],
    23.                                   zoom=0.455,
    24.                                   front=[-0.4999, -0.1659, -0.8499],
    25.                                   lookat=[2.1813, 2.0619, 2.0999],
    26.                                   up=[0.1204, -0.9852, 0.1215])

    （4）测试结果

    （稍微大一点的截图就没法上传，只能上小图）

     该算法预先计算了所有点在半径内的所有邻点。如果所选eps太大，这可能需要大量内存。

    （5）自己的例子，未剔除点云的处理结果

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5. # 初次使用下载模型
    6. # ply_point_cloud = o3d.data.PLYPointCloud()
    7. # pcd = o3d.io.read_point_cloud(ply_point_cloud.path)
    8. # 或者直接使用本地
    9. # plypath = "D:/RGBD_CAMERA/python_3d_process/DemoCropPointCloud/fragment.ply"
    10. plypath = "D:/RGBD_CAMERA/python_3d_process/1_hezi.pcd"
    11. pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    12. pcd = pcd.remove_non_finite_points(True, False)#剔除无效值
    13.  
    14. with o3d.utility.VerbosityContextManager(
    15.         o3d.utility.VerbosityLevel.Debug) as cm:
    16.     labels = np.array(
    17.         # pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))
    18.         pcd.cluster_dbscan(eps=10, min_points=200, print_progress=True))
    19.  
    20. max_label = labels.max()
    21. print(f"point cloud has {max_label + 1} clusters")
    22. colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
    23. colors[labels < 0] = 0
    24. pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
    25. o3d.visualization.draw_geometries([pcd],
    26.                                   zoom=0.455,
    27.                                   front=[-0.4999, -0.1659, -0.8499],
    28.                                   lookat=[2.1813, 2.0619, 2.0999],
    29.                                   up=[0.1204, -0.9852, 0.1215])

     

    注意：其中标签-1表示噪声。用黑色表示

    colors[labels < 0] = 0

    2.3 平面分割（Plane segmentation）  

    （1）函数

    segment_plane(distance_threshold=0.01,ransac_n=3,num_iterations=1000)

    （2）功能说明

    Open3D还支持使用RANSAC从点云中分割几何原始特征。为了找到点云中支持度最大的平面，我们可以使用segment_plane函数。该方法有三个参数:distance_threshold定义点到估计平面的最大距离，ransac_n定义估计平面时随机抽样的点的数量，num_iterations定义随机平面抽样和验证的频率。然后函数返回平面为(a,b,c,d)，这样对于平面上的每个点(x,y,z)我们得到ax+by+cz+d=0。该函数进一步返回索引列表。

    （3）测试代码

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5. # 初次使用下载模型
    6. pcd_point_cloud = o3d.data.PCDPointCloud()
    7. pcd = o3d.io.read_point_cloud(pcd_point_cloud.path)
    8. # 或者直接使用本地
    9. # plypath = "D:/RGBD_CAMERA/python_3d_process/PCDPointCloud/fragment.pcd"
    10. # pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    11.  
    12. plane_model, inliers = pcd.segment_plane(distance_threshold=0.01,
    13.                                          ransac_n=3,
    14.                                          num_iterations=1000)
    15. [a, b, c, d] = plane_model
    16. print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
    17.  
    18. inlier_cloud = pcd.select_by_index(inliers)
    19. inlier_cloud.paint_uniform_color([1.0, 0, 0])
    20. outlier_cloud = pcd.select_by_index(inliers, invert=True)
    21. o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
    22.                                   zoom=0.8,
    23.                                   front=[-0.4999, -0.1659, -0.8499],
    24.                                   lookat=[2.1813, 2.0619, 2.0999],
    25.                                   up=[0.1204, -0.9852, 0.1215])

    （4）测试结果

    注意：其中标注为红色的是分割出来的平面 

     （5）自己的某个简单例子的测试

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5. # # 初次使用下载模型
    6. # pcd_point_cloud = o3d.data.PCDPointCloud()
    7. # pcd = o3d.io.read_point_cloud(pcd_point_cloud.path)
    8. # # 或者直接使用本地
    9. # # plypath = "D:/RGBD_CAMERA/python_3d_process/PCDPointCloud/fragment.pcd"
    10. # # pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    11.  
    12. # plane_model, inliers = pcd.segment_plane(distance_threshold=0.01,
    13. #                                          ransac_n=3,
    14. #                                          num_iterations=1000)
    15. # [a, b, c, d] = plane_model
    16. # print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
    17.  
    18. # inlier_cloud = pcd.select_by_index(inliers)
    19. # inlier_cloud.paint_uniform_color([1.0, 0, 0])
    20. # outlier_cloud = pcd.select_by_index(inliers, invert=True)
    21. # o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
    22. #                                   zoom=0.8,
    23. #                                   front=[-0.4999, -0.1659, -0.8499],
    24. #                                   lookat=[2.1813, 2.0619, 2.0999],
    25. #                                   up=[0.1204, -0.9852, 0.1215])
    26.  
    27.  
    28. #其它例子
    29. plypath = "D:/RGBD_CAMERA/python_3d_process/1_hezi.pcd"
    30. pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    31. pcd = pcd.remove_non_finite_points(True, False)#剔除无效值
    32. pcd.paint_uniform_color([0.5, 0.5, 0.5])
    33. plane_model, inliers = pcd.segment_plane(distance_threshold=1,
    34.                                          ransac_n=3,
    35.                                          num_iterations=1000)
    36. [a, b, c, d] = plane_model
    37. print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
    38.  
    39. inlier_cloud = pcd.select_by_index(inliers)
    40. inlier_cloud.paint_uniform_color([1.0, 0, 0])
    41. outlier_cloud = pcd.select_by_index(inliers, invert=True)
    42. o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
    43.                                   zoom=0.8,
    44.                                   front=[-0.4999, -0.1659, -0.8499],
    45.                                   lookat=[2.1813, 2.0619, 2.0999],
    46.                                   up=[0.1204, -0.9852, 0.1215])

    （6）测试结果

    2.4 隐点去除（Hidden point removal）

    （1）函数

    hidden_point_removal   --- 隐点去除

    另外这个例子还用到了

    sample_points_poisson_disk  -- 泊松磁盘采样

    （2）功能说明

    想象一下，您想从给定的视点渲染一个点云，但是来自背景的点由于没有被其他点遮挡而泄漏到前景中。为此，我们可以应用隐点去除算法。在Open3D中，[Katz2007]实现了从给定视图逼近点云可见性的方法，而无需进行曲面重构或正常估计

    也就是，在特定视角看不到的就不渲染了 

    （3）本次测试用到的漂亮的模型如下

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. # # 初次使用下载模型
    7. print("Convert mesh to a point cloud and estimate dimensions")
    8. armadillo = o3d.data.ArmadilloMesh()
    9. pcd = o3d.io.read_point_cloud(armadillo.path)  # path为文件路径
    10. # # 或者直接使用本地
    11. # # plypath = "D:/RGBD_CAMERA/python_3d_process/ArmadilloMesh/ArmadilloMesh.ply"
    12. # # pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    13. o3d.visualization.draw_geometries([pcd])

     （4）测试代码

    注意：求了点云值的二范数

    np.linalg.norm(求范数)

    参考说明地址

    np.linalg.norm(求范数)_清晨~的博客-CSDN博客_np.linalg.norm

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. # # 初次使用下载模型
    7. print("Convert mesh to a point cloud and estimate dimensions")
    8. armadillo = o3d.data.ArmadilloMesh()
    9. # # pcd = o3d.io.read_point_cloud(armadillo.path)  # path为文件路径
    10. # # 或者直接使用本地
    11. # # plypath = "D:/RGBD_CAMERA/python_3d_process/ArmadilloMesh/ArmadilloMesh.ply"
    12. # # pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    13. # # o3d.visualization.draw_geometries([pcd])
    14.  
    15.  
    16. mesh = o3d.io.read_triangle_mesh(armadillo.path)
    17. mesh.compute_vertex_normals()
    18.  
    19. pcd = mesh.sample_points_poisson_disk(5000)
    20. diameter = np.linalg.norm(
    21.     np.asarray(pcd.get_max_bound()) - np.asarray(pcd.get_min_bound()))
    22. o3d.visualization.draw_geometries([pcd])

    注意：get_max_bound()和get_min_bound()分别取得体素边界的最大坐标和最小坐标 ，待有空确认？？？

    （4）测试结果

    （5）设定摄像头视角，去除隐点

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. # # 初次使用下载模型
    7. print("Convert mesh to a point cloud and estimate dimensions")
    8. armadillo = o3d.data.ArmadilloMesh()
    9. # # pcd = o3d.io.read_point_cloud(armadillo.path)  # path为文件路径
    10. # # 或者直接使用本地
    11. # # plypath = "D:/RGBD_CAMERA/python_3d_process/ArmadilloMesh/ArmadilloMesh.ply"
    12. # # pcd = o3d.io.read_point_cloud(plypath)  # path为文件路径
    13. # # o3d.visualization.draw_geometries([pcd])
    14.  
    15.  
    16. mesh = o3d.io.read_triangle_mesh(armadillo.path)
    17. mesh.compute_vertex_normals()
    18.  
    19. pcd = mesh.sample_points_poisson_disk(5000)
    20. diameter = np.linalg.norm(
    21.     np.asarray(pcd.get_max_bound()) - np.asarray(pcd.get_min_bound()))
    22. # o3d.visualization.draw_geometries([pcd])
    23.  
    24. print("Define parameters used for hidden_point_removal")
    25. camera = [0, 0, diameter]
    26. radius = diameter * 100
    27.  
    28. print("Get all points that are visible from given view point")
    29. _, pt_map = pcd.hidden_point_removal(camera, radius)
    30.  
    31. print("Visualize result")
    32. pcd = pcd.select_by_index(pt_map)
    33. o3d.visualization.draw_geometries([pcd])

    2.5 下采样的其它几个方法

    几个函数

    voxel_down_sample(voxel_size=0.05)  --上一个教程见了，体素下采样，设置体素大小后，将包含在每个体素内的所有点平均计算得到一个点，从而实现下采样
sample_points_poisson_disk    --  泊松磁盘采样，下采样的一个方法uniform_down_sample(every_k_points=5)  --   通过收集每n个点来对点云进行下采样

    2.6 点云离群值去除（Point cloud outlier removal）

    注意：和我的第2个教程内容基本差不多

    （2）点云库处理学习——剔除点云值_chencaw的博客-CSDN博客

    官网教程的位置

    Point cloud — Open3D 0.16.0 documentation 

    （1）准备相应数据

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. print("Load a ply point cloud, print it, and render it")
    7. sample_pcd_data = o3d.data.PCDPointCloud()
    8. pcd = o3d.io.read_point_cloud(sample_pcd_data.path)
    9. o3d.visualization.draw_geometries([pcd],
    10.                                   zoom=0.3412,
    11.                                   front=[0.4257, -0.2125, -0.8795],
    12.                                   lookat=[2.6172, 2.0475, 1.532],
    13.                                   up=[-0.0694, -0.9768, 0.2024])
    14.  
    15. print("Downsample the point cloud with a voxel of 0.02")
    16. voxel_down_pcd = pcd.voxel_down_sample(voxel_size=0.02)
    17. o3d.visualization.draw_geometries([voxel_down_pcd],
    18.                                   zoom=0.3412,
    19.                                   front=[0.4257, -0.2125, -0.8795],
    20.                                   lookat=[2.6172, 2.0475, 1.532],
    21.                                   up=[-0.0694, -0.9768, 0.2024])

     

     （2）通过uniform_down_sample方法下采样

     2.6.1统计剔除函数（Statistical outlier removal）

    （1）说明

    Statistical_outlier_removal删除距离其邻居更远的点。它接受两个输入参数:

    • Nb_neighbors，它指定计算给定点的平均距离时要考虑多少个邻居。
    • Std_ratio，它允许基于跨点云平均距离的标准差设置阈值水平。这个数字越低，过滤器的强度就越大。

    （2）测试例子

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. def display_inlier_outlier(cloud, ind):
    7.     inlier_cloud = cloud.select_by_index(ind)
    8.     outlier_cloud = cloud.select_by_index(ind, invert=True)
    9.  
    10.     print("Showing outliers (red) and inliers (gray): ")
    11.     outlier_cloud.paint_uniform_color([1, 0, 0])
    12.     inlier_cloud.paint_uniform_color([0.8, 0.8, 0.8])
    13.     o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
    14.                                       zoom=0.3412,
    15.                                       front=[0.4257, -0.2125, -0.8795],
    16.                                       lookat=[2.6172, 2.0475, 1.532],
    17.                                       up=[-0.0694, -0.9768, 0.2024])
    18.  
    19.  
    20. print("Load a ply point cloud, print it, and render it")
    21. sample_pcd_data = o3d.data.PCDPointCloud()
    22. pcd = o3d.io.read_point_cloud(sample_pcd_data.path)
    23. # o3d.visualization.draw_geometries([pcd],
    24. #                                   zoom=0.3412,
    25. #                                   front=[0.4257, -0.2125, -0.8795],
    26. #                                   lookat=[2.6172, 2.0475, 1.532],
    27. #                                   up=[-0.0694, -0.9768, 0.2024])
    28.  
    29. print("Downsample the point cloud with a voxel of 0.02")
    30. voxel_down_pcd = pcd.voxel_down_sample(voxel_size=0.02)
    31. # o3d.visualization.draw_geometries([voxel_down_pcd],
    32. #                                   zoom=0.3412,
    33. #                                   front=[0.4257, -0.2125, -0.8795],
    34. #                                   lookat=[2.6172, 2.0475, 1.532],
    35. #                                   up=[-0.0694, -0.9768, 0.2024])
    36.  
    37. print("Every 5th points are selected")
    38. uni_down_pcd = pcd.uniform_down_sample(every_k_points=5)
    39. # o3d.visualization.draw_geometries([uni_down_pcd],
    40. #                                   zoom=0.3412,
    41. #                                   front=[0.4257, -0.2125, -0.8795],
    42. #                                   lookat=[2.6172, 2.0475, 1.532],
    43. #                                   up=[-0.0694, -0.9768, 0.2024])
    44.  
    45. print("Statistical oulier removal")
    46. cl, ind = voxel_down_pcd.remove_statistical_outlier(nb_neighbors=20,
    47.                                                     std_ratio=2.0)
    48. display_inlier_outlier(voxel_down_pcd, ind)

      2.6.2半径离群值去除（Radius outlier removal）

     （1）说明

    Radius_outlier_removal删除在给定球面上几乎没有邻居的点。有两个参数可以用来调整过滤器到你的数据:

    • Nb_points，它允许您选择球体应该包含的最小数量的点。
    • 半径，它定义了球体的半径，该半径将用于计数相邻的球体。

    （2）测试例子

    1. import open3d as o3d
    2. import numpy as np
    3. from matplotlib import pyplot as plt
    4.  
    5.  
    6. def display_inlier_outlier(cloud, ind):
    7.     inlier_cloud = cloud.select_by_index(ind)
    8.     outlier_cloud = cloud.select_by_index(ind, invert=True)
    9.  
    10.     print("Showing outliers (red) and inliers (gray): ")
    11.     outlier_cloud.paint_uniform_color([1, 0, 0])
    12.     inlier_cloud.paint_uniform_color([0.8, 0.8, 0.8])
    13.     o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
    14.                                       zoom=0.3412,
    15.                                       front=[0.4257, -0.2125, -0.8795],
    16.                                       lookat=[2.6172, 2.0475, 1.532],
    17.                                       up=[-0.0694, -0.9768, 0.2024])
    18.  
    19.  
    20. print("Load a ply point cloud, print it, and render it")
    21. sample_pcd_data = o3d.data.PCDPointCloud()
    22. pcd = o3d.io.read_point_cloud(sample_pcd_data.path)
    23. # o3d.visualization.draw_geometries([pcd],
    24. #                                   zoom=0.3412,
    25. #                                   front=[0.4257, -0.2125, -0.8795],
    26. #                                   lookat=[2.6172, 2.0475, 1.532],
    27. #                                   up=[-0.0694, -0.9768, 0.2024])
    28.  
    29. print("Downsample the point cloud with a voxel of 0.02")
    30. voxel_down_pcd = pcd.voxel_down_sample(voxel_size=0.02)
    31. # o3d.visualization.draw_geometries([voxel_down_pcd],
    32. #                                   zoom=0.3412,
    33. #                                   front=[0.4257, -0.2125, -0.8795],
    34. #                                   lookat=[2.6172, 2.0475, 1.532],
    35. #                                   up=[-0.0694, -0.9768, 0.2024])
    36.  
    37. print("Every 5th points are selected")
    38. uni_down_pcd = pcd.uniform_down_sample(every_k_points=5)
    39. # o3d.visualization.draw_geometries([uni_down_pcd],
    40. #                                   zoom=0.3412,
    41. #                                   front=[0.4257, -0.2125, -0.8795],
    42. #                                   lookat=[2.6172, 2.0475, 1.532],
    43. #                                   up=[-0.0694, -0.9768, 0.2024])
    44.  
    45. print("Statistical oulier removal")
    46. cl, ind = voxel_down_pcd.remove_statistical_outlier(nb_neighbors=20,
    47.                                                     std_ratio=2.0)
    48. display_inlier_outlier(voxel_down_pcd, ind)
    49.  
    50.  
    51. print("Radius oulier removal")
    52. cl, ind = voxel_down_pcd.remove_radius_outlier(nb_points=16, radius=0.05)
    53. display_inlier_outlier(voxel_down_pcd, ind)

     

     

  • 相关阅读:
    OA办公软件篇（二）—权限管理
    基于显扬科技自主研发3D机器视觉HY-X5在电池极耳缺陷检测的应用
    Jetson Nano 部署(1)：YOLOv5 目标检测实战介绍
    小白免费编程学习网站
    密码安全：保护你的数据不被入侵的重要性
    java毕业设计权益会员管理源码+lw文档+mybatis+系统+mysql数据库+调试
    HarmonyOS4.0系列——01、下载、安装、配置环境、搭建页面以及运行示例代码
    使用Nginx搭建流媒体
    正点原子嵌入式linux驱动开发——U-boot使用
    docker容器内的attached 和detached模式
  • 原文地址：https://blog.csdn.net/chencaw/article/details/128130081