open3d 计算点云密度

一、计算点云密度(一)

import open3d as o3d
import numpy as np
if __name__ == '__main__':
    print("->正在加载点云... ")
    point_cloud = o3d.io.read_point_cloud("res/bunny.pcd")
    # 对于每个点，都计算了离他最近的点的距离，由此可以得知这堆点云的所有点之间的平均距离
    distances = point_cloud.compute_nearest_neighbor_distance()
    avg_dist = np.mean(distances)
    print("点云密度为=", avg_dist)

原理

计算了点云中每个点到其最近邻点的距离，并计算了这些距离的平均值。这样可以得到点云的平均密度或平均分布距离。

二、计算点云密度(二)

import open3d as o3d
import numpy as np

pcd = o3d.io.read_point_cloud("res/bunny.pcd")  # 读取点云数据
point = np.asarray(pcd.points)  # 获取点坐标
kdtree = o3d.geometry.KDTreeFlann(pcd)  # 建立KD树索引
point_size = point.shape[0]  # 获取点的个数
dd = np.zeros(point_size)
for i in range(point_size):
    [_, idx, dis] = kdtree.search_knn_vector_3d(point[i], 2)
    dd[i] = dis[1]  # 获取到最近邻点的距离平方
density = np.mean(np.sqrt(dd))  # 计算平均密度
print("点云密度为 denstity=", density)

原理

1. 通过 o3d.geometry.KDTreeFlann(pcd) 命令建立了一个 KD 树索引，其中 pcd 是一个点云对象。
2. 获取点云中点的数量，即 point_size = point.shape[0]。
3. 创建一个长度为 point_size 的零数组 dd，用于存储每个点到其最近邻点的距离平方。
4. 遍历点云中的每个点，对于每个点，通过 kdtree.search_knn_vector_3d(point[i], 2) 命令搜索其最近的两个邻居点，返回了最近邻点的索引和距离。
5. 将距离平方存储在 dd[i] 中，其中 dis[1] 表示第二个邻居点的距离，因为第一个邻居点是其自身，所以要取第二个邻居点的距离。

这样，数组 dd 中存储了每个点到其最近邻点的距离平方。

三、相关数据

百度网盘数据集：

包括 obj,pcd,las,png,ply等

百度网盘链接：https://pan.baidu.com/s/1JFxKUk_xMcEmpfBHtuC-Pg
提取码：cpev