摘要：
#step3计算每个volex的维度Dx=/size_r+1Dy=/size_r+1Dz=/size_r+1step4计算每个点在volexgrid内每一个维度的值，即计算每个点属于哪个体素，亦即计算每个点的体素的索引。
来源：https://blog.csdn.net/weixin_41281151/article/details/107125844
点云体素降采样（Voxel Filter Downsampling）
代码参考网址秦乐乐CSDN博客
理论参考知乎博主：WALL-E
1.方法
Centroid 均值采样
Random select 随机采样
2.伪代码流程
注解：
第4步是计算没一个点的体素索引。
3.代码编写
step1 计算边界值
#step1 计算边界点 x_max, y_max, z_max = np.amax(point_cloud,axis=0) #计算 x,y,z三个维度的最值 x_min, y_min, z_min = np.amin(point_cloud, axis=0)
step2 确定体素的尺寸
#step2 确定体素的尺寸
size_r = leaf_sizestep3 计算每个 volex的维度，即在每个维度上的体素的个数。
#step3 计算每个 volex的维度 Dx = (x_max - x_min)/size_r +1Dy = (y_max - y_min)/size_r +1Dz = (z_max - z_min)/size_r +1
step4 计算每个点在volex grid内每一个维度的值，即计算每个点属于哪个体素，亦即计算每个点的体素的索引。
#step4 计算每个点在volex grid内每一个维度的值 h =list() for i inrange(len(point_cloud)): Dx = (x_max - x_min)/size_r Dy = (y_max - y_min)/size_r Dz = (z_max - z_min)/size_r h.append(hx + hy*Dx + hz*Dx*Dy)
step5 对h值进行排序
h =np.array(h) h_indice =np.argsort(h) #提取索引 h_sorted = h[h_indice] #升序
将h值相同的点放入到同一个grid中，并进行筛选，并区分random和centroid两种滤波方式
count = 0#用于维度的累计 #将h值相同的点放入到同一个grid中，并进行筛选 for i in range(len(h_sorted)-1): #0-19999个数据点 if h_sorted[i] == h_sorted[i+1]: #当前的点与后面的相同，放在同一个volex grid中 continue else: if(filter_mode == "centroid"): #均值滤波 point_idx = h_indice[count: i+1] filtered_points.append(np.mean(point_cloud[point_idx],axis=0)) #取同一个grid的均值 count =i elif(filter_mode == "random"): #随机滤波 point_idx = h_indice[count: i+1] random_points =random.choice(point_cloud[point_idx]) filtered_points.append(random_points) count = i
调用
# 调用voxel滤波函数，实现滤波 filtered_cloud = voxel_filter(points, 0.05, "random") #centroid or random point_cloud_o3d_filter.points = o3d.utility.Vector3dVector(filtered_cloud)
效果图
原点云图在open3d中展示如下
random随机降采样效果如下
centroid随机降采样效果如下
整体对比
完整代码
注意：数据集放在相应运行的目录下
# 实现voxel滤波，并加载数据集中的文件进行验证 import open3d aso3d import os import numpy asnp frompyntcloud import PyntCloud import matplotlib.pyplot asplt import random frompandas import DataFrame # matplotlib显示点云函数 def Point_Cloud_Show(points): fig = plt.figure(dpi=150) ax = fig.add_subplot(111, projection='3d') ax.scatter(points[:, 0], points[:, 1], points[:, 2], cmap='spectral', s=2, linewidths=0, alpha=1, marker=".") plt.title('Point Cloud') ax.set_xlabel('x') ax.set_ylabel('y') ax.set_zlabel('z') plt.show() # 二维点云显示函数 def Point_Show(pca_point_cloud): x =[] y =[] pca_point_cloud =np.asarray(pca_point_cloud) for i in range(10000): x.append(pca_point_cloud[i][0]) y.append(pca_point_cloud[i][1]) plt.scatter(x, y) plt.show() # 功能：对点云进行voxel滤波 # 输入： # point_cloud：输入点云 # leaf_size: voxel尺寸 def voxel_filter(point_cloud, leaf_size,filter_mode): filtered_points =[] # 作业3 # 屏蔽开始 #step1 计算边界点 x_max, y_max, z_max = np.amax(point_cloud,axis=0) #计算 x,y,z三个维度的最值 x_min, y_min, z_min = np.amin(point_cloud, axis=0) #step2 确定体素的尺寸 size_r =leaf_size #step3 计算每个 volex的维度 Dx = (x_max - x_min)/size_r Dy = (y_max - y_min)/size_r Dz = (z_max - z_min)/size_r #step4 计算每个点在volex grid内每一个维度的值 h =list() for i inrange(len(point_cloud)): hx = np.floor((point_cloud[i][0] - x_min)/size_r) hy = np.floor((point_cloud[i][1] - y_min)/size_r) hz = np.floor((point_cloud[i][2] - z_min)/size_r) h.append(hx + hy*Dx + hz*Dx*Dy) #step5 对h值进行排序 h =np.array(h) h_indice =np.argsort(h) #提取索引 h_sorted =h[h_indice] #升序 count = 0#用于维度的累计 #将h值相同的点放入到同一个grid中，并进行筛选 for i in range(len(h_sorted)-1): #0-19999个数据点 if h_sorted[i] == h_sorted[i+1]: #当前的点与后面的相同，放在同一个volex grid中 continue else: if(filter_mode == "centroid"): #均值滤波 point_idx = h_indice[count: i+1] filtered_points.append(np.mean(point_cloud[point_idx],axis=0)) #取同一个grid的均值 count =i elif(filter_mode == "random"): #随机滤波 point_idx = h_indice[count: i+1] random_points =random.choice(point_cloud[point_idx]) filtered_points.append(random_points) count =i # 屏蔽结束 # 把点云格式改成array，并对外返回 filtered_points = np.array(filtered_points, dtype=np.float64) returnfiltered_points def main(): # # 从ModelNet数据集文件夹中自动索引路径，加载点云 # cat_index = 10 # 物体编号，范围是0-39，即对应数据集中40个物体 # root_dir = '/Users/renqian/cloud_lesson/ModelNet40/ply_data_points'# 数据集路径 # cat =os.listdir(root_dir) # filename = os.path.join(root_dir, cat[cat_index],'train', cat[cat_index]+'_0001.ply') # 默认使用第一个点云 # point_cloud_pynt =PyntCloud.from_file(file_name) # 加载自己的点云文件 point_cloud_raw = np.genfromtxt(r"person_0001.txt", delimiter=",") point_cloud_raw = DataFrame(point_cloud_raw[:,0:3]) # 为 xyz的 N*3矩阵 point_cloud_raw.columns = ['x', 'y', 'z'] # 给选取到的数据 附上标题 point_cloud_pynt =PyntCloud(point_cloud_raw) # 将points的数据 存到结构体中 point_cloud_o3d_orign = point_cloud_pynt.to_instance("open3d", mesh=False) # to_instance实例化 point_cloud_o3d_filter =o3d.geometry.PointCloud() #实例化 # o3d.visualization.draw_geometries([point_cloud_o3d]) # 显示原始点云 points =np.array(point_cloud_o3d_orign.points) # 调用voxel滤波函数，实现滤波 filtered_cloud = voxel_filter(points, 0.05, "centroid") #centroid or random point_cloud_o3d_filter.points =o3d.utility.Vector3dVector(filtered_cloud) # 显示滤波前后的点云 o3d.visualization.draw_geometries([point_cloud_o3d_orign]) o3d.visualization.draw_geometries([point_cloud_o3d_filter]) if __name__ == '__main__': main()