三维点云学习（1）上

环境安装

1.系统环境 win10 或者 ubuntu

2. Anaconda3+python3.6

使用Anaconda创建的conda虚拟环境进行python的编写

环境安装主要参考如下网址

安装Anaconda3

Anconda3 安装 open3d

3. 使用conda install 或者 pip install 下载需要的py模块

open3d numpy matplotlib pandas plyfile pyntcloud

#offto_ply.pyimport osimport numpy as npfrom plyfile import PlyDatafrom plyfile import PlyElement

#pca_normal.pyimport open3d as o3d import osimport numpy as npimport matplotlib.pyplot as plt

#voxel_filter.pyimport open3d as o3d import osimport numpy as npfrom pyntcloud import PyntCloud

4.数据集下载

为40种物体的三维点云数据集

链接：/s/1LX9xeiXJ0t-Fne8BCGSjlQ<br> 提取码：es14

5.单独读取数据集，并在open3d中显示原点云图

注意：要把对应的数据集文件 如："sofa_0001.txt"放在对应的代码路径下

读取方法一（这个读法忽略了后三个为法向量，因而处理错误，推荐方法二）

import open3d as o3d #导入open3dimport numpy as npimport matplotlib as pltraw_point_cloud_matrix = np.genfromtxt(r"sofa_0001.txt", delimiter=",").reshape((-1,3))# print(raw_point_cloud_matrix)pcd = o3d.geometry.PointCloud()pcd.points = o3d.utility.Vector3dVector(raw_point_cloud_matrix)print(pcd)o3d.visualization.draw_geometries([pcd])

原始点云数据在open3d下运行结果如下所示：

读取方法二

import open3d as o3d import osimport numpy as npimport matplotlib.pyplot as pltfrom pandas import DataFramefrom pyntcloud import PyntCloudpoint_cloud_raw = np.genfromtxt(r"plant_0001.txt", delimiter=",") #为 xyz的 N*3矩阵point_cloud_raw = DataFrame(point_cloud_raw[:, 0:3]) # 选取每一列 的 第0个元素到第二个元素 [0,3)point_cloud_raw.columns = ['x', 'y', 'z'] # 给选取到的数据 附上标题point_cloud_pynt = PyntCloud(point_cloud_raw) # 将points的数据 存到结构体中point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=False) # 实例化o3d.visualization.draw_geometries([point_cloud_o3d]) # 显示原始点云

6.便捷的显示模块摘自enginelong的博客代码片

# matplotlib显示点云函数def Point_Cloud_Show(points):fig = plt.figure(dpi=150)ax = fig.add_subplot(111, projection='3d')ax.scatter(points[:, 0], points[:, 1], points[:, 2], cmap='spectral', s=2, linewidths=0, alpha=1, marker=".")plt.title('Point Cloud')ax.set_xlabel('x')ax.set_ylabel('y')ax.set_zlabel('z')plt.show()

# 二维点云显示函数def Point_Show(pca_point_cloud):x = []y = []pca_point_cloud = np.asarray(pca_point_cloud)for i in range(10000):x.append(pca_point_cloud[i][0])y.append(pca_point_cloud[i][1])plt.scatter(x, y)plt.show()

7.PCA 主成分分析法

参考公式网址如下所示

三维点云处理学习笔记

PCA原理解释

对协方差矩阵的通俗理解

代码参考网址如下所示

点云学习(1)参考网址1

点云学习(1)参考网址2

PCA算法的优化目标

1.降维后同一纬度的方差最大

2.不同维度之间的相关性为0

PCA函数编写

主要流程

1.取均值，去中心化

average_data = np.mean(data,axis=0) #求 NX3 向量的均值decentration_matrix = data - average_data #去中心化

2.求取协方差矩阵H，并用SVD奇异值分解，求解出相应的特征值、特征向量

H = np.dot(decentration_matrix.T,decentration_matrix) #求解协方差矩阵 Heigenvectors,eigenvalues,eigenvectors_T = np.linalg.svd(H) # SVD求解特征值、特征向量

3.对2步求解出的特征值特征向量进行降序排序，并存放到列表中

if sort:sort = eigenvalues.argsort()[::-1]#降序排列eigenvalues = eigenvalues[sort] #索引eigenvectors = eigenvectors[:, sort]

PCA处理整体代码块：

# 功能：计算PCA的函数# 输入：#data：点云，NX3的矩阵#correlation：区分np的cov和corrcoef，不输入时默认为False#sort: 特征值排序，排序是为了其他功能方便使用，不输入时默认为True# 输出：#eigenvalues：特征值#eigenvectors：特征向量def PCA(data, correlation=False, sort=True):# 作业1# 屏蔽开始average_data = np.mean(data,axis=0) #求 NX3 向量的均值decentration_matrix = data - average_data #去中心化H = np.dot(decentration_matrix.T,decentration_matrix) #求解协方差矩阵 Heigenvectors,eigenvalues,eigenvectors_T = np.linalg.svd(H) # SVD求解特征值、特征向量# 屏蔽结束if sort:sort = eigenvalues.argsort()[::-1]#降序排列eigenvalues = eigenvalues[sort] #索引eigenvectors = eigenvectors[:, sort]return eigenvalues, eigenvectors

4.调用结果

通过调用PCA算法，并显示两个主成分方向,如下图所示黑色线为第一主成分，红色线为第二主成分

5.PCA的应用

降维（Encoder）

#将原数据进行降维度处理point_cloud_encode = (np.dot(point_cloud_vector.T,point_cloud_raw.T)).T #主成分的转置 dot 原数据Point_Show(point_cloud_encode)

效果如下所示：

降维后效果图

升维（Decoder）

#使用主方向进行升维point_cloud_decode = (np.dot(point_cloud_vector,point_cloud_encode.T)).TPoint_Cloud_Show(point_cloud_decode)

效果如下所示：

使用两个主方向再次升维后的结果

8.法向量估计

法向量估计

思想：选取点云中每一点，对其进行临近点的搜索，将包含该点的临近点拟合成曲面，对曲面中的点进行PCA主成分分析，查找特征值最小的对应的特征向量，该特征向量即为该拟合曲面的法向量（摘自：秦乐乐CSDN博客）

1.编码流程

2.代码展示

# 循环计算每个点的法向量pcd_tree = o3d.geometry.KDTreeFlann(point_cloud_o3d) #将原始点云数据输入到KD,进行近邻取点normals = [] #储存曲面的法向量# 作业2# 屏蔽开始print(points.shape[0])#打印当前点数 20000个点for i in range(points.shape[0]):# search_knn_vector_3d函数 ， 输入值[每一点，x]返回值 [int, open3d.utility.IntVector, open3d.utility.DoubleVector][,idx,] = pcd_tree.search_knn_vector_3d(point_cloud_o3d.points[i],10)#取10个临近点进行曲线拟合# asarray和array 一样 但是array会copy出一个副本，asarray不会，节省内存k_nearest_point = np.asarray(point_cloud_o3d.points)[idx, :] # 找出每一点的10个临近点，类似于拟合成曲面，然后进行PCA找到特征向量最小的值，作为法向量w, v = PCA(k_nearest_point)normals.append(v[:, 2])# 屏蔽结束normals = np.array(normals, dtype=np.float64)# TODO: 此处把法向量存放在了normals中point_cloud_o3d.normals = o3d.utility.Vector3dVector(normals)o3d.visualization.draw_geometries([point_cloud_o3d])

3.效果展示

如下图1所示为图2的法向量加粗展示，

法线向量显示：在显示窗口按n 可按 + - 更改点的大小（o3d）

完整代码（包含PCA算法、PCA应用（升降维）、法向量估计展示）

# 实现PCA分析和法向量计算，并加载数据集中的文件进行验证import open3d as o3d import osimport numpy as npimport matplotlib.pyplot as pltfrom pandas import DataFramefrom pyntcloud import PyntCloud# matplotlib显示点云函数def Point_Cloud_Show(points):fig = plt.figure(dpi=150)ax = fig.add_subplot(111, projection='3d')ax.scatter(points[:, 0], points[:, 1], points[:, 2], cmap='spectral', s=2, linewidths=0, alpha=1, marker=".")plt.title('Point Cloud')ax.set_xlabel('x')ax.set_ylabel('y')ax.set_zlabel('z')plt.show()# 二维点云显示函数def Point_Show(pca_point_cloud):x = []y = []pca_point_cloud = np.asarray(pca_point_cloud)for i in range(10000):x.append(pca_point_cloud[i][0])y.append(pca_point_cloud[i][1])plt.scatter(x, y)plt.show()# 功能：计算PCA的函数# 输入：#data：点云，NX3的矩阵#correlation：区分np的cov和corrcoef，不输入时默认为False#sort: 特征值排序，排序是为了其他功能方便使用，不输入时默认为True# 输出：#eigenvalues：特征值#eigenvectors：特征向量def PCA(data, correlation=False, sort=True):# 作业1# 屏蔽开始average_data = np.mean(data,axis=0) #求 NX3 向量的均值decentration_matrix = data - average_data #去中心化H = np.dot(decentration_matrix.T,decentration_matrix) #求解协方差矩阵 Heigenvectors,eigenvalues,eigenvectors_T = np.linalg.svd(H) # SVD求解特征值、特征向量# 屏蔽结束if sort:sort = eigenvalues.argsort()[::-1]#降序排列eigenvalues = eigenvalues[sort] #索引eigenvectors = eigenvectors[:, sort]return eigenvalues, eigenvectorsdef main():# 指定点云路径# cat_index = 10 # 物体编号，范围是0-39，即对应数据集中40个物体# root_dir = '/Users/renqian/cloud_lesson/ModelNet40/ply_data_points' # 数据集路径# cat = os.listdir(root_dir)# filename = os.path.join(root_dir, cat[cat_index],'train', cat[cat_index]+'_0001.ply') # 默认使用第一个点云# 加载原始点云，txt处理point_cloud_raw = np.genfromtxt(r"/home/renzhanqi/code/pythonCode/shenLanLidarPrcess/data/modelnet40_normal_resampled/plant/plant_0001.txt", delimiter=",") #为 xyz的 N*3矩阵point_cloud_raw = DataFrame(point_cloud_raw[:, 0:3]) # 选取每一列 的 第0个元素到第二个元素 [0,3)point_cloud_raw.columns = ['x', 'y', 'z'] # 给选取到的数据 附上标题point_cloud_pynt = PyntCloud(point_cloud_raw) # 将points的数据 存到结构体中point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=False) # 实例化o3d.visualization.draw_geometries([point_cloud_o3d]) # 显示原始点云# 从点云中获取点，只对点进行处理print(point_cloud_o3d) #打印点数# 用PCA分析点云主方向w, v = PCA(point_cloud_raw) # w为特征值 v为主方向point_cloud_vector1 = v[:, 0] #点云主方向对应的向量，第一主成分point_cloud_vector2 = v[:, 1] # 点云主方向对应的向量，第二主成分point_cloud_vector = v[:,0:2] # 点云主方向与次方向print('the main orientation of this pointcloud is: ', point_cloud_vector1)print('the main orientation of this pointcloud is: ', point_cloud_vector2)#在原点云中画图point = [[0,0,0],point_cloud_vector1,point_cloud_vector2] #画点：原点、第一主成分、第二主成分lines = [[0,1],[0,2]]#画出三点之间两两连线colors = [[1,0,0],[0,0,0]]#构造open3d中的LineSet对象，用于主成分显示line_set = o3d.geometry.LineSet()line_set.lines = o3d.utility.Vector2iVector(lines)line_set.colors = o3d.utility.Vector3dVector(colors)line_set.points =o3d.utility.Vector3dVector(point)o3d.visualization.draw_geometries([point_cloud_o3d,line_set]) # 显示原始点云和PCA后的连线#将原数据进行降维度处理point_cloud_encode = (np.dot(point_cloud_vector.T,point_cloud_raw.T)).T #主成分的转置 dot 原数据Point_Show(point_cloud_encode)#使用主方向进行升维point_cloud_decode = (np.dot(point_cloud_vector,point_cloud_encode.T)).TPoint_Cloud_Show(point_cloud_decode)# 循环计算每个点的法向量pcd_tree = o3d.geometry.KDTreeFlann(point_cloud_o3d) #将原始点云数据输入到KD,进行近邻取点normals = [] #储存曲面的法向量# 作业2# 屏蔽开始print(point_cloud_raw.shape[0])#打印当前点数 20000个点for i in range(point_cloud_raw.shape[0]):# search_knn_vector_3d函数 ， 输入值[每一点，x]返回值 [int, open3d.utility.IntVector, open3d.utility.DoubleVector][_,idx,_] = pcd_tree.search_knn_vector_3d(point_cloud_o3d.points[i],10)#取10个临近点进行曲线拟合# asarray和array 一样 但是array会copy出一个副本，asarray不会，节省内存k_nearest_point = np.asarray(point_cloud_o3d.points)[idx, :] # 找出每一点的10个临近点，类似于拟合成曲面，然后进行PCA找到特征向量最小的值，作为法向量w, v = PCA(k_nearest_point)normals.append(v[:, 2])# 屏蔽结束normals = np.array(normals, dtype=np.float64)# TODO: 此处把法向量存放在了normals中point_cloud_o3d.normals = o3d.utility.Vector3dVector(normals)o3d.visualization.draw_geometries([point_cloud_o3d])if __name__ == '__main__':main()