点云法向量估计及可视化（附open3d python代码）

法向量三种估计方式（K近邻估计，半径近邻估计，混合搜索估计）

差别只在于搜索近邻点的方法略微有差异，实际上差别不大；

实际影响更大的是参数的设定是否合理

 

# coding:utf-8
import numpy as np
import open3d as o3d

path = "gongjian1.pcd"
normalPath = path.replace(".pcd", "_normal.pcd")
print(path)
print(normalPath)

print("Load a pcd point cloud, print it, and render it")
pcd = o3d.io.read_point_cloud(path)
pcd.paint_uniform_color([0.5, 0.5, 0.5])  # 把所有点渲染为灰色
print(pcd)  # 输出点云点的个数



print("Downsample the point cloud with a voxel ")
downpcd = pcd.voxel_down_sample(voxel_size=5)  # 下采样滤波
print(downpcd)


print("Recompute the normal of the downsampled point cloud")
# 混合搜索  KNN搜索  半径搜索
# downpcd.estimate_normals(
#     search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=100.01, max_nn=20))  # 计算法线，搜索半径1cm，只考虑邻域内的20个点
downpcd.estimate_normals(
    sea