Open3D系列教程

01 读取与保存图像

001点云图像与保存读取代码：

读取点云图像数据，路径自己可以改成自己的。

import open3d as o3d

print("Testing IO for point cloud ...")
sample_pcd_data = o3d.data.PCDPointCloud()
# 读取点云图像
pcd = o3d.io.read_point_cloud(sample_pcd_data.path)
print(pcd)
# 保存点云图像
o3d.io.write_point_cloud("copy_of_fragment.pcd", pcd)

如果不改自己的路径的话，则会自动进行下载，如下图所示：

它支持以下的格式：常见的pcd,xyz,ply等。

002读取网格图像：三维模型

可以读取stl格式的，ply等格式的

import open3d as o3d

print("Testing IO for meshes ...")
knot_data = o3d.data.KnotMesh()
mesh = o3d.io.read_triangle_mesh(knot_data.path)
print(mesh)
o3d.io.write_triangle_mesh("copy_of_knot.ply", mesh)

支持的格式类型：

02 点云图像的显示

关键函数：o3d.visualization.draw_geometries（[ ]）
函数参数说明：
Parameters

• geometry_list (List[open3d.geometry.Geometry]) – List of
  geometries to be visualized.# 你需要显示的点云数据，采用列表的形式存储

• window_name (str, optional, default=‘Open3D’) – The displayed title of the visualization window. # 窗口名称

• width (int, optional, default=1920) – The width of the visualization window.

• height (int, optional, default=1080) – The height of the visualization window.

• left (int, optional, default=50) – The left margin of the visualization window.

• top (int, optional, default=50) – The top margin of the visualization window.

• point_show_normal (bool, optional, default=False) – Visualize point normals if set to true. # 这个是显示点云数据的法线

• mesh_show_wireframe (bool, optional, default=False) – Visualize mesh wireframe if set to true.

• mesh_show_back_face (bool, optional, default=False) – Visualize also the back face of the mesh triangles.

• lookat (numpy.ndarray[numpy.float64[3, 1]]) – The lookat vector of the camera.

• up (numpy.ndarray[numpy.float64[3, 1]]) – The up vector of the camera.

• front (numpy.ndarray[numpy.float64[3, 1]]) – The front vector of the camera.

• zoom (float) – The zoom of the camera.

Returns
None

返回值：
None

这个代码中，如果你没有点云数据的话，open3d会自动下载官网的数据集。

例如：
import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
sample_ply_data = o3d.data.PLYPointCloud()
pcd = o3d.io.read_point_cloud(sample_ply_data.path)
# 显示函数，pcd为你想要显示的内容
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])

显示的结果：

03 点云数据的上色

关键函数：paint_uniform_color（[, ]）
函数说明：分别是RGB三种颜色，颜色范围是0-1之间
举个例子：我将图像上色成红色（[1,0,0])

import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
sample_ply_data = o3d.data.PLYPointCloud()
pcd = o3d.io.read_point_cloud(sample_ply_data.path)
pcd.paint_uniform_color([1,0,0])
# 显示函数，pcd为你想要显示的内容
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])

某个点单独上色：

pcd.colors(n) = (1,0,0)
输出的结果：

04 点云图像的体素化下采样

关键函数：voxel_down_sample(voxel_size=？)
函数说明：voxel_size为人工设定的数，一般很小，参考值0.05
举个例子：

import open3d as o3d
import numpy as np

print("Load a ply point cloud, print it, and render it")
sample_ply_data = o3d.data.PLYPointCloud()
pcd = o3d.io.read_point_cloud(sample_ply_data.path)
pcd.paint_uniform_color([1,0,0])
# 进行下采样
downpcd = pcd.voxel_down_sample(voxel_size=0.05)
# 显示函数，pcd为你想要显示的内容
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])

对上面的点云进行体素化下采样后得到：

05 点云的分割

06 点云的配准

点云的配准就是将两个点云进行配准。

点云的粗配准全局配准（粗配准）

步骤1：首先定义一个函数，用于显示图像

# 定义一个函数，用于显示显示
def draw_registration_result(source, target, transformation):
    # 分别显示的是源点云，目标点云，
    source_temp = copy.deepcopy(source)
    target_temp = copy.deepcopy(target)
    source_temp.paint_uniform_color([1, 0, 0])  # 源点云上红色
    target_temp.paint_uniform_color([0, 1, 0])  # 目标点云上绿色
    source_temp.transform(transformation)  # 对源点云进行矩阵的变换
    # 然后对源点云进行变换后进行，和目标点云一起显示
    o3d.visualization.draw_geometries([source_temp, target_temp],
                                      zoom=0.4559,
                                      front=[0.6452, -0.3036, -0.7011],
                                      lookat=[1.9892, 2.0208, 1.8945],
                                      up=[-0.2779, -0.9482, 0.1556])

步骤2：提取特征，提取特征才能进行配准

# 点云配准，第一步肯定需要提取特征才能进行配准
# 写一个函数，用于提取几何特征，为后续的配准做准备
def preprocess_point_cloud(pcd, voxel_size):
    # 输出的结果为下采样的点云，以及PCD的FPFH特征点
    # print(":: Downsample with a voxel size %.3f." % voxel_size)
    # 对输入的点云进行体素化下采样，体素化的大小voxel_size
    pcd_down = pcd.voxel_down_sample(voxel_size)

    # 人工设置半径大小
    radius_normal = voxel_size * 2
    # print(":: Estimate normal with search radius %.3f." % radius_normal)
    # 对下采样后的点云进行法线估计，采用的方法为KD_Trees,混合搜索方法，两个参数分别为最大半径，以及搜索的数量
    pcd_down.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))
    # 计算FPFH需要输入一个半径范围
    radius_feature = voxel_size * 5
    print(":: Compute FPFH feature with search radius %.3f." % radius_feature)
    pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(
        pcd_down,
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature, max_nn=100))
    return pcd_down, pcd_fpfh

步骤3：准备数据，读取需要配准的数据

# 准备加载的数据
# 写一个函数，用于读取需要加载的数据
def prepare_dataset(voxel_size):
    # 这个函数只是用于加载点云数据

    print(":: Load two point clouds and disturb initial pose.")
    # 以下的三行代码可以根据自己的需要进行更改，更改成自己的点云数据，此处读取的官方的点云数据
    demo_icp_pcds = o3d.data.DemoICPPointClouds()
    source = o3d.io.read_point_cloud(demo_icp_pcds.paths[0])
    target = o3d.io.read_point_cloud(demo_icp_pcds.paths[1])

    # 设置一个变换矩阵
    # trans_init = np.asarray([[0.0, 0.0, 1.0, 0.0], [1.0, 0.0, 0.0, 0.0],
    #                          [0.0, 1.0, 0.0, 0.0], [0.0, 0.0, 0.0, 1.0]])
    # # 对源点云进行了变换显示
    # source.transform(trans_init)
    # # 调用上方的函数进行了显示，分别显示了源点云，目标点云，这个输入的矩阵是单位矩阵。
    draw_registration_result(source, target, np.identity(4))
    # 对源点云进行下采样，进行提取FPFH特征点
    source_down, source_fpfh = preprocess_point_cloud(source,