三维图像识别中OpenCV、PCL和Open3D结合的主要技术概念、部分示例

原创

于 2025-07-25 19:03:36 发布 · 1.2k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #人工智能 #计算机视觉

文章目录

1. 三维点云基础概念

点云(Point Cloud)

点云是三维空间中点的集合，每个点包含三维坐标(x,y,z)，可能还包含颜色信息(RGB)、法向量、强度等属性。它是三维重建、识别和测量的基础数据结构。

深度图像(Depth Image)

深度图像是每个像素值表示该点到相机距离的二维图像，是生成点云的重要数据源。通过相机内参可以将深度图像转换为三维点云。

import cv2
import numpy as np
import open3d as o3d
from pcl import PointCloud

# 从深度相机获取深度图
depth_image = cv2.imread('depth.png', cv2.IMREAD_UNCHANGED)

# 相机内参
fx, fy = 525.0, 525.0
cx, cy = 319.5, 239.5

# 将深度图转换为点云
def depth_to_pointcloud(depth_img, fx, fy, cx, cy):
    h, w = depth_img.shape
    points = []
    
    for v in range(h):
        for u in range(w):
            z = depth_img[v, u]
            if z > 0:  # 有效深度值
                x = (u - cx) * z / fx
                y = (v - cy) * z / fy
                points.append([x, y, z])
    
    return np.array(points)

points = depth_to_pointcloud(depth_image, fx, fy, cx, cy)

体素(Voxel)

体素是三维空间中的像素概念，用于三维空间的离散化表示。体素化是点云降采样和空间分割的重要技术。

# 使用Open3D创建点云对象
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)

2. 点云预处理技术

去噪滤波(Noise Filtering)

三维数据往往包含噪声点，需要通过统计方法或几何约束进行过滤：

统计滤波: 基于点的邻域统计特性识别离群点
半径滤波: 删除指定半径内邻居点过少的点
条件滤波: 根据点的属性(如高度、颜色)进行过滤

# 统计离群点移除
def remove_outliers(pcd, nb_neighbors=20, std_ratio=2.0):
    cl, ind = pcd.remove_statistical_outlier(
        nb_neighbors=nb_neighbors,
        std_ratio=std_ratio
    )
    return cl.select_by_index(ind)

# 半径离群点移除
def remove_radius_outliers(pcd, nb_points=16,