Open3D 随机下采样【2025最新版】

已于 2025-01-11 18:36:27 修改
阅读量3.1k 收藏 4
点赞数 1
分类专栏： python点云处理 文章标签： python 计算机视觉 3d 算法
于 2022-01-20 09:16:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36686437/article/details/122594186
版权
本文介绍了Open3D库中的随机下采样算法，包括算法原理、主要函数解析以及源码解读。该算法根据设定的采样比率，从输入点云中随机抽取一定比例的点形成新的点云。代码实现部分展示了如何运用此功能，并通过结果展示来直观理解其效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

在这里插入图片描述
本文由优快云点云侠原创，首发于：2022年1月20日。博客长期更新，本文最近一次更新时间为：2025年1月11日。对最新阅读的论文进行整理，添加随机采样的算法实现过程和优缺点。

一、算法原理

1、实现过程

  随机法点云降采样(Random downsampling)是通过生成随机数种子对点云索引序号进行筛选从而获得精简点云的非确定性方法。随机法降采样是点云降采样中最简单、最快速的方法，但在点云去噪方法中也是存在问题最多的方法，由于该算法不是按照空间拓扑关系进行点云降采样，采样后数据在空间上容易产生密度分布不均的效果。
  随机降采样通过采样率作为阈值控制点云的采样效率。设原始输入点云数量为 N +

了解本专栏 订阅专栏 解锁全文
Open3D 点云的随机下采样
纵马踏花向自由
06-20 586
在Open3D中，除了均匀下采样之外，随机下采样（Random Downsampling）也是一种常用的点云处理方法。随机下采样通过随机选择点云中的一部分点来减少点的数量，从而降低数据的复杂度。下面是关于随机下采样的详细介绍和代码示例。随机下采样的基本原理是从原始点云中随机选择一些点，生成一个点数量较少的子集。这种方法在保证点云整体分布特性的同时，可以快速地减少数据量。
Open3D(C++) 随机下采样【2025最新版】
点云侠的博客
07-11 680
输入下采样的比率，输出指定采样比率的采样点云。博客长期更新，本文最近一次更新时间为：2025年1月16日。对最新阅读的论文进行整理，添加随机采样的算法实现过程和优缺点。
下采样（Downsampling）
最新发布
weixin_71288092的博客
04-19 863
​​下采样​​（Downsampling）指通过特定方法降低数据的空间分辨率或时间分辨率，减少数据量同时保留关键信息。
Open3D 随机采样（Python版本）
dayuhaitang1的博客
01-14 456
Open3D 随机采样（Python版本）
Open3D 体素随机下采样
纵马踏花向自由
09-05 545
体素随机下采样是一种常用的点云简化方法，通过将点云划分为立方体体素网格，并从每个体素中随机选择一个点进行保留。这种方法在显著减少点云数据量的同时，能够有效保留点云的整体结构和几何特征。它广泛应用于点云数据的预处理、噪声过滤和数据压缩等场景。
Open3D 均匀下采样
m0_51204289的博客
11-23 96
实现从`every_k_points`个点中选取一个来达到下采样的目的。从源码中可以看出第1个点是一定会被选中的。
Open3D 点云随机采样到固定点数（python详细过程版）【2025最新版】
点云侠的博客
08-07 3489
输入采样点的个数，将点云下采样至指定个数的python代码过程实现。博客长期更新，本文最近更新时间为：2025年1月11日。
Open3D FPS下采样（详细过程版）【2025最新版】
点云侠的博客
06-10 3832
python实现的Farthest Point Sampling (FPS)点云滤波算法。博客长期更新，本文最近更新时间为：2025年1月11日。
Open3D FPS最远点下采样【2025最新版】
点云侠的博客
11-14 1872
Open3D-0.15.2版本集成了FPS下采样算法，本博客为调用函数的实现。博客长期更新，本文最近更新时间为：2025年1月11日。
Matlab点云随机采样至指定点数
FxRuby的博客
09-27 305
点云的采样是指从原始的点云数据中随机选择一部分点，以减少数据量或提取感兴趣区域。本文将介绍如何使用Matlab实现点云的随机采样，并保证采样结果的点数达到预设的固定值。综上所述，我们通过使用Matlab实现了点云的随机采样，并保证采样结果的点数达到预设的固定值。接下来，我们使用Matlab的randperm函数生成一个随机的索引向量，然后根据该索引向量从原始点云数据集中选择对应的点进行采样。运行上述代码后，将会显示原始点云数据和采样结果的三维散点图，并在图例中标明原始点云和采样点云。步骤三：点云随机采样。
Matlab中的点云随机采样到固定点数
QsPascal的博客
09-26 127
综上所述，我们可以使用Matlab中的PointCloud Processing Toolbox对点云进行随机采样，并确保采样后的点数固定不变。通过计算采样比例，我们可以根据原始点云的点数指定采样点数。随机采样后，我们可以保存采样后的点云数据或者进行进一步的处理。在某些情况下，我们可能需要对点云进行随机采样，以减少点的数量或者从点云中提取出具有代表性的样本。为了实现采样后点数固定不变的要求，我们需要根据原始点云的点数计算采样比例。最后，我们可以将采样后的点云数据保存到文件中或者进行进一步的处理。
用MATLAB实现的随机抽样方法
04-04
资源里面一共三种随机抽样的方法，分别是别名表抽样、罐子抽样、直接抽样 使用MATLAB语言实现的，希望对你有帮助。
Open3D 体素随机下采样：高效处理大规模点云数据
.
03-31 471
该算法首先将点云数据转化为三维体素空间，选择每个体素中心作为采样点，并根据采样点周围点的密度进行采样。处理大规模点云数据是计算机视觉领域的重要挑战之一。Open3D 提供了体素随机下采样算法，可以简单高效地实现对大规模点云数据的处理。通过简单的代码就能够实现对大规模点云数据的快速下采样，是一种非常实用的方法。Open3D 的体素随机下采样算法是基于 C++ 编写的，并提供了 Python 的接口。总之，Open3D 的体素随机下采样算法为处理大规模点云数据提供了一种高效、快速、可靠的解决方案。
Open3D 点云体素下采样
dayuhaitang1的博客
06-14 898
体素下采样使用常规体素网格从输入点云创建均匀下采样的点云。
Open3D(C++) 体素下采样【2025最新版】
点云侠的博客
07-11 1180
体素滤波的C++版本Open3D实现，博客长期更新，本文最近更新时间为：2025年1月16日。
Matlab 随机采样
持续更新
07-11 1815
其中，normrnd 函数用于生成一个标准正态分布的总体数据向量，randi 函数用于生成长度为 sample_size 的随机索引向量，然后使用索引向量选取对应位置的样本数据。其中，randn 函数用于生成一个长度为 1000 的标准正态分布随机数向量，randperm 函数用于生成长度为 sample_size 的随机索引向量，然后使用索引向量选取对应位置的样本数据。分层采样是一种针对具有不同性质的总体进行的随机采样方法，其原理是将总体分成若干个层次，然后在每个层次中进行简单随机采样或其他采样方法。
Open3D中的均匀下采样
TechCraze的博客
08-23 241
VoxelGrid在处理过程中，会首先计算出每个体素内点的质心，然后根据选定的参数来选择保留质心的方式及数量，最终输出采样点集。在这个库中，我们可以通过均匀下采样的方法来对点云进行降采样。实际上，在Open3D中，还有很多其他的降采样方法可以使用，比如VoxelDownsample、ClusterDownsample、RandomSampling等等。总之，在处理大规模点云数据时，降采样是必不可少的操作，而在Open3D这个强大的库中，可以便捷地使用不同的降采样方法。Open3D中的均匀下采样。
三种点云下采样方法（一） — open3d python
热门推荐
叶子的博客
04-28 1万+
三种点云下采样方法 — open3d python，含数据和python源码，本节主要介绍体素下采样。
Open3D点云的体素下采样
纵马踏花向自由
06-17 961
Open3D 中的点云体素下采样（Voxel Downsampling）是一种用于减少点云数据量的常用方法。其原理基于将点云空间划分为固定大小的立方体（称为体素），并用每个体素中的代表点来替代该体素内的所有点。
请使用open3d给出一个示例
02-22
<think>好的，我现在需要帮助用户用Open3D给出一个点云聚类的示例。首先，我得回顾用户之前的问题。用户之前询问了点云聚类的流程，现在他们希望有一个具体的代码示例，使用Open3D库来实现。这意味着用户可能已经了解了理论上的步骤，现在需要实际操作的指导。 接下来，我要考虑用户的需求是什么。他们可能是一位开发者或者学生，正在学习如何处理点云数据，特别是在自动驾驶或机器人领域应用。用户可能希望有一个可以直接运行的代码，同时附带详细的注释，以便理解每一步的作用。 然后，我需要确定使用Open3D的哪些功能。Open3D是一个处理3D数据的库，支持点云的读取、预处理、可视化以及聚类算法。根据之前的流程，示例应包括数据加载、预处理（去噪、降采样）、地面分割、聚类、后处理以及可视化。但可能用户只需要一个简化的示例，特别是因为地面分割可能需要更复杂的处理，比如RANSAC平面拟合，而聚类可能使用DBSCAN算法。 我需要确保代码示例的正确性和可运行性。用户可能没有实际数据，所以最好使用Open3D内置的示例数据，比如knot.ply，这样用户可以直接运行代码而无需额外文件。同时，代码需要包含必要的注释，解释每个步骤的作用，比如去噪、聚类参数设置、可视化等。 然后，我需要考虑用户可能的潜在问题。例如，如何调整聚类参数eps和min_points，如何处理不同的点云数据，或者如何优化性能。但在示例中，重点应该是展示基本流程，而不是深入优化。因此，代码应保持简洁，同时提到关键参数的影响，如eps和min_points对聚类结果的影响。 此外，用户可能希望了解如何处理结果，比如为每个聚类生成包围盒或保存结果。但为了保持示例简洁，可能只包括可视化部分，并提到后续处理的可能性。 最后，我需要检查代码是否符合Open3D的最新版本语法，避免使用过时的函数。例如，确保使用voxel_down_sample进行降采样，使用cluster_dbscan进行聚类，这些是Open3D中常用的方法。 总结下来，步骤应该是：加载示例数据，预处理（去噪、降采样），应用DBSCAN聚类，可视化结果，并为每个聚类分配不同颜色。同时，解释关键参数和可能的应用场景，如自动驾驶中的障碍物检测。</think>以下是一个使用 Open3D 实现点云聚类（以欧氏聚类为例）的完整 Python 示例代码，包含详细注释： ```python import open3d as o3d import numpy as np import matplotlib.pyplot as plt # 1. 加载点云数据（以示例点云为例） sample_pcd = o3d.data.PCDPointCloud() pcd = o3d.io.read_point_cloud(sample_pcd.path) # 或加载自定义点云（取消注释以下两行） # pcd_path = "your_point_cloud.ply" # pcd = o3d.io.read_point_cloud(pcd_path) # 2. 预处理 # 去噪：统计滤波 cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0) pcd = pcd.select_by_index(ind) # 降采样：体素网格法 voxel_size = 0.02 # 根据点云密度调整 down_pcd = pcd.voxel_down_sample(voxel_size) # 3. 执行欧氏聚类 with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm: labels = np.array(down_pcd.cluster_dbscan(eps=0.1, min_points=10, print_progress=True)) # 4. 可视化聚类结果 max_label = labels.max() print(f"点云被分为 {max_label + 1} 个聚类") # 为不同聚类生成随机颜色 colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1)) colors[labels < 0] = 0 # 噪声点标记为黑色 down_pcd.colors = o3d.utility.Vector3dVector(colors[:, :3]) # 显示原始点云与聚类结果 o3d.visualization.draw_geometries([down_pcd], window_name="聚类结果") # 5. 可选：保存聚类结果（按颜色分割） # o3d.io.write_point_cloud("clustered.ply", down_pcd) ``` --- ### **关键代码解释** 1. **数据加载**： - 使用 Open3D 内置的示例点云（`knot.ply`）或自定义 `.ply/.pcd` 文件 - 支持格式：PLY、PCD、XYZ 等常见点云格式 2. **预处理**： - **统计滤波**：`remove_statistical_outlier` 移除离群点 - `nb_neighbors`：邻域点数 - `std_ratio`：标准差阈值 - **体素降采样**：`voxel_down_sample` 减少数据量，保持形状特征 3. **欧氏聚类**： - `cluster_dbscan` 方法实现基于密度的聚类 - `eps`：邻域搜索半径（核心参数，需根据点云密度调整） - `min_points`：形成簇所需的最小点数（建议值：5~20） - 返回每个点的标签（-1表示噪声点） 4. **可视化**： - 使用 `tab20` 颜色映射区分不同簇 - 噪声点显示为黑色 - Open3D 可视化窗口支持旋转、缩放等交互操作 --- ### **参数调优建议** | 参数 | 作用 | 典型值范围 | |--------|----------------| | `eps` | 邻域半径（决定聚类紧密程度） | 0.05~0.5（米） | | `min_points` | 最小邻域点数（决定噪声敏感度） | 5~50 | | `voxel_size` | 降采样体素大小（影响处理速度） | 0.01~0.1（米） | --- ### **应用场景扩展** 1. **自动驾驶障碍物检测**： ```python # 针对远距离物体动态调整 eps def adaptive_eps(z_coord): return 0.1 + z_coord * 0.05 # z 轴距离越大，eps 越大 ``` 2. **保存每个簇为单独文件**： ```python clusters = [down_pcd.select_by_index(np.where(labels == i)[0]) for i in range(max_label+1)] for idx, cluster in enumerate(clusters): o3d.io.write_point_cloud(f"cluster_{idx}.ply", cluster) ``` --- ### **注意事项** 1. 若聚类结果不理想，优先调整 `eps` 参数 2. 处理大规模点云时，建议先进行降采样 3. 可通过 `o3d.geometry.KDTreeSearchParamHybrid` 加速邻域搜索 这个示例展示了 Open3D 处理点云聚类的核心流程，实际应用中需根据具体场景调整参数和预处理步骤。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值