如何利用open3D来生成OCC-编程知识

如何利用open3D来生成OCC

config.yaml 请添加图片描述

'depth': 10：#深度，设定为10，常用于决定处理或计算的层次或深入程度。
'min_density': 0.1：#最小密度，设置为0.1，用于过滤或选择的密度阈值。
'n_threads': -1：#线程数，设为-1，通常表示使用所有可用的处理器核心。
'downsample': False：#降采样，设为False，表示不进行降采样处理。
'voxel_size': 0.5：#体素大小，设置为0.5，用于定义空间网格的体素的尺寸。
'max_nn': 20：#最大邻居数，设为20，用于某些需要基于最近邻算法的计算。
'pc_range': [-50, -50, -5, 50, 50, 3]：#点云范围，设置为从-50到50在X和Y方向上，从-5到3在Z方向上，用于界定处理或分析的空间区域。
'occ_size': [200, 200, 16]：#占据格大小，设置为200x200x16，表示在三维空间中的格子数量。
'self_range': [3.0, 3.0, 3.0]：#自身范围，设置为3.0x3.0x3.0，可能用于定义某种局部空间的大小。

def run_poisson(pcd, depth, n_threads, min_density=None):# 使用Poisson表面重建算法从点云创建三角形网格mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=depth, n_threads=n_threads)# 如果提供了最小密度阈值，则移除低于该阈值的顶点if min_density:vertices_to_remove = densities < np.quantile(densities, min_density)mesh.remove_vertices_by_mask(vertices_to_remove)# 计算网格顶点的法线mesh.compute_vertex_normals()return mesh, densities

print('run Poisson surface reconstruction')
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9)
print(mesh)
o3d.visualization.draw_geometries([mesh],zoom=0.664,front=[-0.4761, -0.4698, -0.7434],lookat=[1.8900, 3.2596, 0.9284],up=[0.2304, -0.8825, 0.4101])

在这里插入图片描述

泊松曲面重建还将在低点密度区域创建三角形，甚至外推到某些区域（请参见上面 eagle 输出的底部）。 create_from_point_cloud_poisson 函数有第二个 densities 返回值，该值指示每个顶点的密度。低密度值意味着顶点仅由输入点云中的少量点支持。

In the code below we visualize the density in 3D using pseudo color. Violet indicates low density and yellow indicates a high density.
在下面的代码中，我们使用伪彩色可视化 3D 密度。紫色表示低密度，黄色表示高密度。

源代码

 # 如果提供了最小密度阈值，则移除低于该阈值的顶点if min_density:vertices_to_remove = densities < np.quantile(densities, min_density)mesh.remove_vertices_by_mask(vertices_to_remove)

open3d 效果图

print('visualize densities')
densities = np.asarray(densities)
density_colors = plt.get_cmap('plasma')((densities - densities.min()) / (densities.max() - densities.min()))
density_colors = density_colors[:, :3]
density_mesh = o3d.geometry.TriangleMesh()
density_mesh.vertices = mesh.vertices
density_mesh.triangles = mesh.triangles
density_mesh.triangle_normals = mesh.triangle_normals
density_mesh.vertex_colors = o3d.utility.Vector3dVector(density_colors)
o3d.visualization.draw_geometries([density_mesh],zoom=0.664,front=[-0.4761, -0.4698, -0.7434],lookat=[1.8900, 3.2596, 0.9284],up=[0.2304, -0.8825, 0.4101])

在这里插入图片描述

Surface normal estimation
表面法线估计

源码

mesh.compute_vertex_normals()

open3D 可视化

print("Computing normal and rendering it.")
mesh.compute_vertex_normals()
print(np.asarray(mesh.triangle_normals))
o3d.visualization.draw_geometries([mesh])

在这里插入图片描述
源码

def preprocess_cloud(pcd, max_nn=20, normals=None):# 复制点云数据cloud = deepcopy(pcd)# 如果需要估算法线if normals:params = o3d.geometry.KDTreeSearchParamKNN(max_nn)cloud.estimate_normals(params)# 将法线朝向相机位置cloud.orient_normals_towards_camera_location()return cloud

open3D

open3d.geometry.KDTreeSearchParamKNN(knn=20)                        # 计算近邻的20个点

import open3d
import numpy as np
import mayavi.mlab as mlab
# 4. 法向量的计算
def open3d_vector_compute():pcd_path = r"E:\xxxx\open3d_xxxx\ICP_data\cloud_bin_0.pcd"pcd = open3d.io.read_point_cloud(pcd_path)pcd.estimate_normals(search_param=open3d.geometry.KDTreeSearchParamHybrid(radius=0.01, max_nn=30))normals = np.array(pcd.normals)    # 法向量结果与点云维度一致(N, 3)points = np.array(pcd.points)print(normals.shape, points.shape)# 验证法向量模长为1(模长会有一定的偏差，不完全为1)normals_length = np.sum(normals**2, axis=1)flag = np.equal(np.ones(normals_length.shape, dtype=float), normals_length).all()print('all equal 1:', flag)# 法向量可视化open3d.visualization.draw_geometries([pcd],window_name="Open3d",point_show_normal=True,width=800,   # 窗口宽度height=600)  # 窗口高度
if __name__ == '__main__':open3d_vector_compute()