在本教程中，我们将介绍点云，并了解如何用Python创建和可视化点云。

1、简介

点云应用无处不在:机器人、自动驾驶汽车、辅助系统、医疗保健等。点云是一种适合处理现实世界数据的3D表示，特别是在需要场景/对象的几何形状时，如对象的距离、形状和大小。

点云是一组点，代表现实世界中的场景或空间中的对象。它是几何对象和场景的离散表示。换句话说，点云PCD是n个点的集合，其中每个点Pi用其3D坐标表示:

注意，还可以添加一些其他特征来描述点云，如RGB颜色、法线等。例如，可以添加RGB颜色来提供颜色信息。

2、点云生成

点云通常使用3D扫描仪(激光扫描仪、飞行时间扫描仪和结构光扫描仪)或计算机辅助设计(CAD)模型生成。在本教程中，我们将首先创建随机点云并将其可视化。然后，我们将使用Open3D库从3D表面采样点，从3D模型生成它。最后，我们将看到如何从RGB-D数据创建它们。

让我们从导入Python库开始:

import numpy as np
import matplotlib.pyplot as plt
import open3d as o3d

2.1 随机点云

最简单的方法是随机创建一个点云。注意，我们通常不会创建要处理的随机点，除非为GAN(生成对抗网络)创建噪声。

通常，点云由(n×3)数组表示，其中n是点的数量。让我们用5个随机点创建一个点云:

number_points = 5
pcd = np.random.rand(number_points, 3)  # uniform distribution over [0, 1)
print(pcd)

我们可以直接打印这些点，但效率不高，特别是在大多数应用中，如果点的数量很大的话。更好的方法是将它们显示在3D空间中。让我们用Matplotlib库来可视化它:

# Create Figure:
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.scatter3D(pcd[:, 0], pcd[:, 1], pcd[:, 2])
# label the axes
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("Random Point Cloud")
# display:
plt.show()

2.2 采样点云

直接处理3D模型需要时间。因此，从它们的三维表面采样点云是一个潜在的解决方案。让我们首先从Open3D数据集中导入兔子模型:

bunny = o3d.data.BunnyMesh()
mesh = o3d.io.read_triangle_mesh(bunny.path)

或者以如下方式导入：

mesh = o3d.io.read_triangle_mesh("data/bunny.ply")

接下来，显示 3D 模型以查看其外观。您可以移动鼠标从不同的视点进行查看。

# Visualize:
mesh.compute_vertex_normals() # compute normals for vertices or faces
o3d.visualization.draw_geometries([mesh])

要对点云进行采样，有几种方法。在此示例中，我们从导入的网格中均匀地采样 1000 个点并将其可视化：

# Sample 1000 points:
pcd = mesh.sample_points_uniformly(number_of_points=1000)

# visualize:
o3d.visualization.draw_geometries([pcd])

我们可以将创建的点云保存为 .ply 格式，如下所示：

# Save into ply file:
o3d.io.write_point_cloud("output/bunny_pcd.ply", pcd)

2.3 来自 RGB-D 数据的点云

RGB-D 数据是使用RGB-D传感器（例如 Microsoft Kinect）收集的，该传感器同时提供 RGB 图像和深度图像。RGB-D传感器被广泛应用于室内导航、避障等领域。由于RGB图像提供像素颜色，所以深度图像的每个像素表示其与相机的距离。

Open3D 为 RGB-D 图像处理提供了一组函数。要使用 Open3D 函数从 RGB-D 数据创建点云，只需导入两个图像，创建一个 RGB-D 图像对象，最后计算点云如下：

# read the color and the depth image:
color_raw = o3d.io.read_image("../data/rgb.jpg")
depth_raw = o3d.io.read_image("../data/depth.png")

# create an rgbd image object:
rgbd_image = o3d.geometry.RGBDImage.create_from_color_and_depth(
    color_raw, depth_raw, convert_rgb_to_intensity=False)
# use the rgbd image to create point cloud:
pcd = o3d.geometry.PointCloud.create_from_rgbd_image(
    rgbd_image,
    o3d.camera.PinholeCameraIntrinsic(
        o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault))

# visualize:
o3d.visualization.draw_geometries([pcd])

3、Open3D和NumPy

有时您需要在Open3D和NumPy表示之间切换。例如，假设我们想要将NumPy点云转换为Open3D.PointCloud对象进行可视化，并使用Matplotlib可视化兔子的3D模型。

3.1 从NumPy到Open3D

在本例中，我们使用NumPy.random.rand()函数创建2000个随机点，该函数从[0,1]的均匀分布中创建随机样本。然后我们创建一个Open3D.PointCloud对象，并使用Open3D.utility.Vector3dVector()函数将其Open3D.PointCloud.points特征设置为随机点。

# Create numpy pointcloud:
number_points = 2000
pcd_np = np.random.rand(number_points, 3)

# Convert to Open3D.PointCLoud:
pcd_o3d = o3d.geometry.PointCloud()  # create point cloud object
pcd_o3d.points = o3d.utility.Vector3dVector(pcd_np)  # set pcd_np as the point cloud points

# Visualize:
o3d.visualization.draw_geometries([pcd_o3d])

3.2 从 Open3D到NumPy

这里，我们首先使用Open3D.io.read_point_cloud()函数从.ply文件中读取点云，该函数返回一个Open3D.PointCloud对象。现在我们只需要使用NumPy.asarray()函数将表示点的Open3D.PointCloud.points特征转换为NumPy数组。最后，我们像上面那样显示获得的数组。

# Read the bunny point cloud file:
pcd_o3d = o3d.io.read_point_cloud("../data/bunny_pcd.ply")

# Convert the open3d object to numpy:
pcd_np = np.asarray(pcd_o3d.points)

# Display using matplotlib:
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.scatter3D(pcd_np[:, 0], pcd_np[:, 2], pcd_np[:, 1])
# label the axes
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("Bunny Point Cloud")
# display:
plt.show()

4、最后

在本教程中，我们学习了如何创建和可视化点云。在接下来的教程中，我们将学习如何处理它们。