Open3D的基本使用

前言

在处理点云数据时，PCL库的安装和上手难度较大，英特尔的Open3D在性能和开箱即用上表现优异，可以读存、处理和显示各类点云，故做此试验。

准备工作

安装

使用window11下的pychram，配置python3.6的虚拟环境，（PS:open3d到博客写作日期为止，暂时只支持3.6-3.8版本），进行虚拟环境的setting，依次安装open3d，numpy，opencv（optional）

测试数据下载

在gethub上下载open3d的源码，里面包含了我们需要官方提供的测试数据：

isl-org/Open3D: Open3D: A Modern Library for 3D Data Processing (github.com)

测试数据位于：

Open3D-master\\examples\\test_data\\
1

初步使用

点云显示

简单的使用，显示一个带彩色的点云

import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
#读取点云数据
pcd = o3d.io.read_point_cloud("C:\\Document\\Open3D-master\\examples\\test_data\\fragment.ply")
print(pcd)
print(np.asarray(pcd.points))
#显示点云数据
o3d.visualization.draw_geometries([pcd],
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])
1
2
3
4
5
6
7
8
9
10
11
12
13
14

显示效果如下所示：
在这里插入图片描述

voxel降采样

voxel降采样使用常规体素栅格从输入点云创建均匀下采样点云。通常用于许多点云处理任务的预处理步骤。该算法分两步操作：

1.点被折成voxel。

2.每个占用的体素通过平均内部的所有点生成恰好一个点。

代码在刚才的基础上稍作改动：

import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
pcd = o3d.io.read_point_cloud("C:\\Document\\Open3D-master\\examples\\test_data\\fragment.ply")
print("Downsample the point cloud with a voxel of 0.05")
downpcd = pcd.voxel_down_sample(voxel_size=0.05)
o3d.visualization.draw_geometries([downpcd],
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])
1
2
3
4
5
6
7
8
9
10
11
12

可以上一步中较为稠密的点云经过处理已经变得比较稀疏，其用途还需进一步学习。

定点的法线估计

点云的另一个基本操作是点法线估计。按N键查看点法线。键-和+可用于控制法线的长度。

import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
pcd = o3d.io.read_point_cloud("C:\\Document\\Open3D-master\\examples\\test_data\\fragment.ply")
print("Downsample the point cloud with a voxel of 0.05")
downpcd = pcd.voxel_down_sample(voxel_size=0.05)
downpcd.estimate_normals(
    search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
o3d.visualization.draw_geometries([downpcd],
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024],
                                  point_show_normal=True)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

-的效果

+的效果

PS：estimate_normals计算每个点的法线。该函数用于查找相邻点，并使用协方差分析计算相邻点的主轴。

该函数将KDTreeSearchParamHybrid类的实例作为参数。两个关键参数radius=0.1和max_nn=30指定搜索半径和最大最近邻。它的搜索半径为10cm，最多只考虑30个邻居以节省计算时间。