• Open3d数据滤波和点云分割


    open3d快速上手

    索引滤波

    所谓的索引滤波压根就不是滤波,只是根据索引,将点选出而已,总共有两种选取方法,一是选取索引对应的点;二是选取索引之外的点。

    import open3d as o3d
    import numpy as np
    pcd = o3d.io.read_point_cloud("rabbit.pcd")
    idx = np.arange(10000)
    # 索引对应的点
    pIn = pcd.select_by_index(idx)
    pIn.paint_uniform_color([1, 0, 0])
    # 索引外的点云
    pOut = pcd.select_by_index(idx, invert=True)
    pOut.paint_uniform_color([0, 1, 0])
    o3d.visualization.draw_geometries([pIn, pOut])
    

    效果为

    在这里插入图片描述

    统计滤波和邻域滤波

    这两中滤波方法都是先得到符合要求的点索引,然后通过索引滤波,将这些点挑选出来,输出输出为滤波后的点云和点的索引号。

    # 上接索引滤波的内容
    
    pcd1 = copy.deepcopy(pcd).translate((20, 0, 0))
    # 统计滤波,参数分别表示K邻域点的个数和标准差乘数
    sPcd, sInd = pcd1.remove_statistical_outlier(6, 2.0)
    
    pcd2 = copy.deepcopy(pcd).translate((40, 0, 0))
    # 半径滤波,输入参数为邻域球内最少点数和邻域半径
    rPcd, rInd = pcd2.remove_radius_outlier(9, 0.   )
    
    o3d.visualization.draw_geometries([sPcd, rPcd])
    

    效果如下

    在这里插入图片描述

    这两种算法的逻辑是一样的,对于某点 x x x,选取距离 x x x最近的一些点,如果这些点的标准差小于设定值,则符合统计滤波的标准;如果均小于邻域半径,则符合半径滤波的标准。

    体素滤波

    体素滤波则会为点云构建三维体素格网,然后输出格网内的点云质心,所以这种滤波方式没有索引号的概念,其输入参数为体素尺寸。

    downpcd = pcd.voxel_down_sample(20)
    

    DBSCAN聚类

    DBSCAN,即Density-Based Spatial Clustering of Applications with Noise,基于密度的噪声应用空间聚类。

    在DBSCAN算法中,将数据点分为三类:

    1. 核心点:若样本 x i x_i xi ε \varepsilon ε邻域内至少包含了 M M M个点,则为核心点
    2. 边界点:若样本 x i x_i xi ε \varepsilon ε邻域内包含的点数小于 M M M,但在其他核心点的 ε \varepsilon ε邻域内,则为边界点
    3. 噪声:既非核心点也非边界点则为噪声

    可见,DBSCAN算法需要两个参数,分别是邻域半径 ε \varepsilon ε和点数 M M M

    open3d中,提供了cluster_dbscan接口,

    import open3d as o3d
    import numpy as np
    import matplotlib.pyplot as plt
    
    pcd = o3d.io.read_point_cloud("rabbit.pcd")
    
    eps = 0.5       # 同一聚类中最大点间距
    M = 50          # 有效聚类的最小点数
    Labels = np.array(pcd.cluster_dbscan(eps, M))
    print(np.max(Labels))                   # 得到结果为3
    cs = plt.get_cmap("jet")(Labels/3)      # 伪彩映射
    cs[labels < 0] = 0  # labels = -1 的簇为噪声,以黑色显示
    pcd.colors = o3d.utility.Vector3dVector(cs[:, :3])
    o3d.visualization.draw_geometries([pcd])
    

    结果如图所示

    在这里插入图片描述

    RANSAC 平面分割

    RANSAC,即RANdom SAmple Consensus,随机抽样一致算法。

    以平面上的点集举例,假设点集中有一条直线 L L L L L L外的点很少,均为噪声。

    那么第一步,随机选取两个点连成一条直线 L ^ \hat L L^,那么这条直线有可能就是 L L L,也有可能是噪声连出来的莫名其妙的一条线。

    接下来,随机抽取点集中的一些点,如果随机抽取的大部分点都落在 L L L附近,那么就说明 L ^ \hat L L^有很大的概率就是 L L L;否则说明不太像是 L L L。随着抽取出的直线越来越多,最后可以得到最接近 L L L的直线,从而完成了对点集的分割。

    Open3d中,提供了基于RANSAC算法的平面分割接口segment_plane

    pcd = o3d.io.read_point_cloud("rabbit.pcd")
    
    d = 0.2             # 内点到平面模型的最大距离
    n = 5               # 用于拟合平面的采样点数
    nIter = 50          # 最大迭代次数
    
    # 返回模型系数plane和内点索引ids,并赋值
    plane, ids = pcd.segment_plane(d, n, nIter)
    
    # 平面方程
    [a, b, c, d] = plane
    
    # 平面内点点云
    iCloud = pcd.select_by_index(ids)
    iCloud.paint_uniform_color([0, 0, 1.0])
    
    # 平面外点点云
    oCloud = pcd.select_by_index(ids, invert=True)
    oCloud.paint_uniform_color([1.0, 0, 0])
    
    # 可视化平面分割结果
    o3d.visualization.draw_geometries([iCloud, oCloud])
    

    最后得到的结果为

    在这里插入图片描述

    本来以为平面会出现在兔子的底座上,没想到最后兔子被一分为二了……

  • 相关阅读:
    幂等性(防重复提交)
    醋氯芬酸小鼠血清白蛋白纳米粒Aceclofenac-MSA|利凡诺大鼠血清白蛋白纳米粒Ethacridine-RSA
    Qt OpenGL(二十六)——Qt OpenGL 核心模式-旋转的彩色三角形
    软件测试面试-如何定位线上出现bug
    模型部署 利用Tensorflow Serving部署模型
    MySQL如何一劳永逸的永久支持输入中文
    java简介
    FFmpeg 命令:从入门到精通 | ffppeg 命令提取音视频数据
    Gallery2设置状态栏和底部栏背景流程
    ST表(转载自其它博主)
  • 原文地址:https://blog.csdn.net/m0_37816922/article/details/127069510