创建可视化点云入门

matplot.subplots( nrows,ncols):

parameters：nrows，ncols：将子图分成nrows*nclos个子图

　　　　　　subplot_kw : dict，使用传递给matplotlib.figure.figure.add_subplot`调用的关键字进行Dict，该调用用于创建每个子程序。

return：fig（Figure），ax（.axes.Axes）：常用axes=ax.flatten（）把子赋值给axes，axes[0]第一个子图

注：matplot详解：Matplotlib是什么 (biancheng.net)（文档包括2D，3D绘图）

plt.plot3D（）:绘制图线

plt.scatter3D( )：绘制散点图

github3Dscanrep下载失败：

　　数据集地址：(9条消息) 3D点云数据集整理_I-am-Unique的博客-CSDN博客

　　kitti数据集解析：(9条消息) KITTI数据集下载及解析_Michael.CV的博客-CSDN博客_kitti数据集下载

点云数据格式：txt（单纯点集）、ply、pcd（含有相应数据特点的头文件）

 

PointNet：提供统一框架，实现同一场景的点云分类

给定物体的点云分成不同的类，

把物体分成不同的区块

给定场景，完成语义分割，比如桌子、椅子

点云预处理

戴静兰. 海量点云预处理算法研究[D].浙江大学,2006.

由激光扫描设备得到的三维数字化的结果是空间上离散的集合点，在重建之前应进行数据预处理，目的是获得完整准确的测量数据

预处理包括：点云去噪、点云配准、点云精简、点云合并、点云分割、点云派生、点云排序

点云去噪

有序点云：标准高斯（较好保持原数据的形貌）、平均或中值滤波（消除数据毛刺的效果更好）算法。

散乱点云：k-dTree

k-dTree

对于无序点云，点与点之间没有建立拓扑关系，只要能够建立散乱点云中点与点之间的拓扑关系，就可进行点云去噪

寻找点云拓扑关系（K-nearest neighbors）方法：

八叉树法	基于八叉树法分割点云，再根据包围盒与数据点空间分布的对应关系，建立点的拓扑关系
空间单元格法	也是基于包围盒的划分，在xyz三个方向上按照一定的间隔分别创建一系列平行平面，把包围盒划分为许多单元格，取各单元格中最靠近单元格中心的数据点作为中心点，代替整个测量数据，即可建立点的拓扑关系
k-dTree法	查找距离最近的两点，他是一种便于空间中点搜索的数据结构

 

点云配准

对局部点云数据进行整合和配准

常见方法：　　

标签法	人为的贴上一些特征点，使用特征点进行定位
提取特征法	要求点云有比较明显的特征
ICP算法	精度高，但速度慢

点云精简

获得数据巨大，对点云进行适量的精简

散乱点云	随机采样、均匀网格、三角网格
扫描线和多边形点云	等间距缩减、倍率缩减、等量缩减、弦高差
网格化点云	等分布密度法、最小保卫区域法

点云分割

即使经过点云精简，但对于特别复杂、曲率变化过大的实体，过滤后的点云数据还是比较大，

将整体点云进行分割，分割成一块块的点云数据进行处理，然后再进行整体匹配恢复原始实体形状

点云融合

经过配准后点云为若干个独立的点云，将他们无缝融合，去掉多余的点，或者补上欠缺的点，使整个点云完整

点云派生

需要在原有点云基础上创造新的点云——点云派生。

方法：镜像原始点云、对原始点云按比例缩放、对原始点云加密、原始点云对齐到新坐标系、抽取原始点云扫描线