點雲應用程式無所不在：機器人、自動駕駛汽車、輔助系統、醫療保健等。點雲是一種適合處理現實世界資料的3D表示，特別是在需要場景/物件的幾何形狀時，例如物件的距離、形狀和大小。
點雲是一組點，代表現實世界中的場景或空間中的物件。它是幾何物件和場景的離散表示。換句話說，點雲PCD是n個點的集合，其中每個點Pi用其3D座標表示:
注意，還可以加入一些其他特徵來描述點雲，如RGB顏色、法線等。例如，可以新增RGB顏色來提供顏色資訊。
點雲通常使用3D掃描器(雷射掃描器、飛行時間掃描器和結構光掃描器)或電腦輔助設計(CAD)模型產生。在本教程中，我們將首先建立隨機點雲並將其視覺化。然後，我們將使用Open3D函式庫從3D表面取樣點，從3D模型產生它。最後，我們將看到如何從RGB-D資料建立它們。
讓我們從導入Python庫開始:
import numpy as np import matplotlib.pyplot as plt import open3d as o3d
最簡單的方法是隨機建立一個點雲。請注意，我們通常不會創建要處理的隨機點，除非為GAN(生成對抗網路)創建噪音。
通常，點雲由(n×3)陣列表示，其中n是點的數量。讓我們用5個隨機點創建一個點雲:
number_points = 5 pcd = np.random.rand(number_points, 3)# uniform distribution over [0, 1) print(pcd)
我們可以直接列印這些點，但效率不高，特別是在大多數應用中，如果點的數量很大的話。更好的方法是將它們顯示在3D空間中。讓我們用Matplotlib函式庫來視覺化它:
# Create Figure:
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.scatter3D(pcd[:, 0], pcd[:, 1], pcd[:, 2])
# label the axes
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("Random Point Cloud")
# display:
plt.show()
#隨機點雲視覺化
#直接處理3D模型需要時間。因此，從它們的三維表面採樣點雲是一個潛在的解決方案。讓我們先從Open3D資料集中導入兔子模型:
bunny = o3d.data.BunnyMesh() mesh = o3d.io.read_triangle_mesh(bunny.path)
或以如下方式導入：
mesh = o3d.io.read_triangle_mesh("data/bunny.ply")接下來，顯示 3D 模型以查看其外觀。您可以移動滑鼠從不同的視點進行查看。
# Visualize: mesh.compute_vertex_normals() # compute normals for vertices or faces o3d.visualization.draw_geometries([mesh])
兔子3D模型
要對點雲進行取樣，有幾種方法。在此範例中，我們從導入的網格中均勻地採樣1000 個點並將其可視化：
# Sample 1000 points: pcd = mesh.sample_points_uniformly(number_of_points=1000) # visualize: o3d.visualization.draw_geometries([pcd])
兔子點雲
我們可以將創建的點雲儲存為.ply 格式，如下所示：
# Save into ply file:
o3d.io.write_point_cloud("output/bunny_pcd.ply", pcd)RGB-D 資料是使用RGB -D感測器（例如Microsoft Kinect）收集的，該感測器同時提供RGB 影像和深度影像。 RGB-D感測器廣泛應用於室內導航、避障等領域。由於RGB影像提供像素顏色，因此深度影像的每個像素表示其與相機的距離。
Open3D 為 RGB-D 影像處理提供了一組函數。要使用Open3D 函數從RGB-D 資料建立點雲，只需匯入兩個影像，建立一個RGB-D 影像對象，最後計算點雲如下：
# read the color and the depth image:
color_raw = o3d.io.read_image("../data/rgb.jpg")
depth_raw = o3d.io.read_image("../data/depth.png")
# create an rgbd image object:
rgbd_image = o3d.geometry.RGBDImage.create_from_color_and_depth(
color_raw, depth_raw, convert_rgb_to_intensity=False)
# use the rgbd image to create point cloud:
pcd = o3d.geometry.PointCloud.create_from_rgbd_image(
rgbd_image,
o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault))
# visualize:
o3d.visualization.draw_geometries([pcd])
從RGB-D 影像產生的彩色點雲
#有時您需要在Open3D和NumPy之間切換。例如，假設我們想要將NumPy點雲轉換為Open3D.PointCloud物件進行視覺化，並使用Matplotlib視覺化兔子的3D模型。
在本例中，我們使用NumPy.random.rand()函數建立2000個隨機點，該函數從[0,1]的均勻分佈中創建隨機樣本。然後我們建立一個Open3D.PointCloud對象，並使用Open3D.utility.Vector3dVector()函數將其Open3D.PointCloud.points特徵設定為隨機點。
# Create numpy pointcloud: number_points = 2000 pcd_np = np.random.rand(number_points, 3) # Convert to Open3D.PointCLoud: pcd_o3d = o3d.geometry.PointCloud()# create point cloud object pcd_o3d.points = o3d.utility.Vector3dVector(pcd_np)# set pcd_np as the point cloud points # Visualize: o3d.visualization.draw_geometries([pcd_o3d])
#隨機點雲的 Open3D 視覺化
这里，我们首先使用Open3D.io.read_point_cloud()函数从.ply文件中读取点云，该函数返回一个Open3D.PointCloud对象。现在我们只需要使用NumPy.asarray()函数将表示点的Open3D.PointCloud.points特征转换为NumPy数组。最后，我们像上面那样显示获得的数组。
# Read the bunny point cloud file:
pcd_o3d = o3d.io.read_point_cloud("../data/bunny_pcd.ply")
# Convert the open3d object to numpy:
pcd_np = np.asarray(pcd_o3d.points)
# Display using matplotlib:
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.scatter3D(pcd_np[:, 0], pcd_np[:, 2], pcd_np[:, 1])
# label the axes
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("Bunny Point Cloud")
# display:
plt.show()
使用 Matplotlib 显示的兔子点云
在本教程中，我们学习了如何创建和可视化点云。在接下来的教程中，我们将学习如何处理它们。
以上是Python：如何創建和視覺化點雲的詳細內容。更多資訊請關注PHP中文網其他相關文章！
