3维图像处理的新星

#3维图像处理的新星| 来源: 网络整理| 查看: 265

听说Open3D很好用，我先学习学习，后面再转战PCL，毕竟PCL是点云届的经典大佬*.*

本人使用的是python版本噢：）

1.官网功能介绍及例程 http://www.open3d.org/docs/release/tutorial/geometry/index.html 也可以参考这位朋友整理的Open3D算法资料：

https://blog.csdn.net/qq_40985985/article/details/108715871?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control

2.环境配置 ubuntu18.04下可以使用pip命令： pip install open3d 安装完毕后，在终端使用python：

yy@yy:~$ python Python 3.7.6 (default, Jan 8 2020, 19:59:22) [GCC 7.3.0] :: Anaconda, Inc. on linux Type "help", "copyright", "credits" or "license" for more information. >>> import open3d >>>

如果没有报错说明安装成功>.>> import open3d as o3d >>> pcd = o3d.io.read_point_cloud("/home/yy/文档/pointcloud/desk_1.pcd") ###输入被读取文件的路径 >>> print(pcd) PointCloud with 1595906 points. >>> import numpy as np >>> print(np.asarray(pcd.points)) [[-0.7070244 -0.52971417 1.2640001 ][-0.7070244 -0.52084869 1.2640001 ][-0.7070244 -0.51198316 1.2640001 ]...[-0.76719701 -0.32806134 1.2508162 ][-0.77002394 -0.32122216 1.2594384 ][-0.76220942 -0.31320193 1.2549695 ]] >>> 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])

执行完毕后会显示出我们读取文件的3d图像： desk 3.2 体素下采样体素下采样使用常规体素网格从输入点云创建统一下采样的点云，它通常用作许多点云处理任务的预处理步骤。 1）点被存储到体素中； 2）每个占用的体素通过平均内部的所有点来精确生成一个点。

>>> downpcd = pcd.voxel_down_sample(voxel_size=0.05) ###使用0.05的体素对点云下采样，值越大，得到点数越少 >>> 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])

结果如下： PS：可以使用键盘上的-或者+改变点的大小在这里插入图片描述 3.3 顶点法线估计 1） estimate_normals 法线估计（计算法向量）

>>> downpcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30)) ###设置kd树查找半径为0.1，最大点数为30的领域，拟合平面求出该平面法向量 >>> 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)

PPS：键入n可以隐藏或者显示法向量，使用键盘上的-或者+改变点的大小以及法线的长短在这里插入图片描述 3.4 读取法向量

>>> print(downpcd.normals[0]) ###打印第一个点的法向量 [ 0.48468789 0.85733389 -0.17336738] >>> print(np.asarray(downpcd.normals)[:5, :]) ###打印前5个点的法向量 [[ 0.48468789 0.85733389 -0.17336738][ 0.8085128 0.04854127 -0.58647318][-0.07516671 -0.98791843 -0.13552542][ 0.8371842 0.18250328 -0.51557267][ 0.06751124 0.97692563 0.20262907]]

3.5 点云上色 1）paint_uniform_color 将所有点绘制为统一的颜色，颜色范围在[0，1]的RGB空间中。

>>> downpcd.paint_uniform_color([1, 0.5, 0]) PointCloud with 1595906 points. >>> o3d.visualization.draw_geometries([downpcd],zoom=0.7,front=[0.5439, -0.2333, -0.8060],lookat=[2.4615, 2.1331, 1.338],up=[-0.1781, -0.9708, 0.1608])

经过体素下采样后的点云上色效果：在这里插入图片描述原点云上色效果： 3.6 边界体积 Open3D实现了AxisAlignedBoundingBox和OrientedBoundingBox也可以用于裁剪几何。 1）axis_aligned_bounding_box 轴对齐包围盒AABB 2）oriented_bounding_box 方向包围盒OBB

>>> aabb = downpcd.get_axis_aligned_bounding_box() >>> aabb.color = (1, 0, 0) >>> obb = downpcd.get_oriented_bounding_box() >>> obb.color = (0, 1, 0) >>> o3d.visualization.draw_geometries([downpcd, aabb, obb],zoom=0.7,front=[0.5439, -0.2333, -0.8060],lookat=[2.4615, 2.1331, 1.338],up=[-0.1781, -0.9708, 0.1608])

在这里插入图片描述 3.7 凸包点云的凸包是包含所有点的最小凸集。Open3D包含compute_convex_hull计算点云的凸包的方法。该实现基于Qhull。首先从网格中采样点云，然后计算返回为三角形网格的凸包，最后将凸包可视化为红LineSet。

>>> hull, _ = downpcd.compute_convex_hull() >>> hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull) >>> hull_ls.paint_uniform_color((1, 0, 0)) >>> o3d.visualization.draw_geometries([downpcd, hull_ls])

在这里插入图片描述

ply格式的点云数据呈现的效果：

>>> chair = o3d.io.read_point_cloud("/home/yy/文档/pointcloud/chair1.ply") >>> hull, _ = chair.compute_convex_hull() >>> hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull) >>> hull_ls.paint_uniform_color((1, 0, 0)) >>> o3d.visualization.draw_geometries([chair, hull_ls])

在这里插入图片描述 3.8 DBSCAN集群 DBSCAN集群是一种基于密度的聚类算法，该算法在中实现，cluster_dbscan并且需要两个参数：eps定义到群集中邻居的距离，并使用min_points定义形成群集所需的最小点数。该函数返回labels，其中标签-1指示噪音。

with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True)) max_label = labels.max() colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1)) colors[labels ] 87%

逛了下相关博客，据说可能是点数太多。我的数据有1595906 points 😦 fine，我用下采样后的数据试试：

import open3d as o3d import numpy as np import matplotlib.pyplot as plt pcd = o3d.io.read_point_cloud("/home/yy/文档/pointcloud/desk_1.pcd") print(pcd) downpcd = pcd.voxel_down_sample(voxel_size=0.03) print(downpcd) with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:labels = np.array(downpcd.cluster_dbscan(eps=0.02, min_points=5, print_progress=True)) max_label = labels.max() colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1)) colors[labels ] 10%

！！！！！！解决问题啦！将集群半径设置大一点，因为我的原始数据排列紧密，如果半径设置得大，会不容易分开

labels = np.array(downpcd.cluster_dbscan(eps=0.5, min_points=5, print_progress=True))

其中，eps参数：代表epsilon社区的最大半径，如果数据点的相互距离小于或等于指定的epsilon，那么它们将是同一类的。换句话说，它是DBSCAN用来确定两个点是否相似和属于同一类的距离。更大的epsilon将产生更大的簇(包含更多的数据点)，更小的epsilon将构建更小的簇。如果取值太小，集群将被分割的越来越小； min_points：在一个邻域的半径内minPts数的邻域被认为是一个簇。注意！初始点包含在minpoints中。一个较低的minpoints帮助算法建立更多的集群与更多的噪声或离群值，较高的minpoints将确保更健壮的集群，但如果集群太大，较小的集群将被合并到较大的集群中。

[Open3D DEBUG] Precompute Neighbours Precompute Neighbours[========================================] 100% [Open3D DEBUG] Done Precompute Neighbours [Open3D DEBUG] Compute Clusters [Open3D DEBUG] Done Compute Clusters: 4===========>] 97%

在这里插入图片描述 3.9 平面分割分割函数segment_plane

plane_model, inliers = pcd.segment_plane(distance_threshold=0.01,ransac_n=3,num_iterations=1000) [a, b, c, d] = plane_model print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0") ###平面方程inlier_cloud = pcd.select_by_index(inliers) inlier_cloud.paint_uniform_color([1.0, 0, 0]) outlier_cloud = pcd.select_by_index(inliers, invert=True) o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],zoom=0.8,front=[-0.4999, -0.1659, -0.8499],lookat=[2.1813, 2.0619, 2.0999],up=[0.1204, -0.9852, 0.1215])

生成平面方程： Plane equation: -0.02x + 0.94y + 0.34z + -0.31 = 0 在这里插入图片描述

PPPPS：今天才发现原来ubuntu自带有截图快捷键，而且可以根据自己喜好修改！！！啊，我太蠢了在这里插入图片描述

【本文地址】

3维图像处理的新星

3维图像处理的新星

今日新闻

推荐新闻