Open3D 点云数据处理基础（Python版）

历时一个月，Open3D 点云数据处理基础（Python版） 终于初具雏形！目前主要是一些基础内容，后续会继续完善，希望互相学习！

---

1 概述

Open3D是一个开源库，支持快速开发处理3D数据的软件。Open3D后端是用C++实现的，经过高度优化并通过Python的前端接口公开。Open3D提供了三种数据结构：点云（point cloud）、网格（mesh）和RGB-D图像。对于每个表示，open3D都实现了一整套基本处理算法，如I/O、采样、可视化和数据转换。此外，还包括一些常用的算法，如法线估计、ICP配准等。

open3D包含了九个模块，如下表所示：

模块	功能
Geometry 几何模块	数据结构和基本处理算法
Camera 相机模块	相机模型和相机轨迹
Odometry 里程计模块	RGB-D图像的跟踪与对齐
Registration 配准模块	全局和局部配准
Integration 积分模块	体积积分
I/O 输入输出模块	读写3维数据
Visualization 可视化模块	使用OpenGL呈现3D数据的可自定义GUI
Utility 辅助功能模块	辅助功能，如控制台输出、文件系统和特征包装器
Python 模块	Open3D Python绑定和教程

本文旨在快速入门Python点云数据处理，原理性知识会在后续专题中给出，这里不做过多描述。

2 安装

2.1 PyCharm 与 Python 安装

PyCharm Community 2021.2 安装教程（附汉化教程！）

2.3 Anaconda 安装

Anaconda3 2021 安装教程

2.4 Open3D 0.13.0 安装

在成功安装 Anaconda3 之后，在所有应用中找到 Anaconda3，选择 Anaconda Powershell Prompt

打开之后如下所示

手动输入

pip install open3d

开始安装 open3d-0.13.0，需要漫长的等待…

安装成功！

2.5 新建一个 Python 项目

文件 > 新建项目，输入（若路径不存在，则自动创建）或选择位置路径，选择已经由Conda配置好的解释器

新建Python文件

输入新建的Python文件名，按回车完成新建

测试代码

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("test.pcd")
print(pcd)

print("->正在保存点云")
o3d.io.write_point_cloud("write.pcd", pcd, True)	# 默认false，保存为Binarty；True 保存为ASICC形式
print(pcd)

3 点云读写

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("test.pcd")
print(pcd)

print("->正在保存点云")
o3d.io.write_point_cloud("write.pcd", pcd, True)	# 默认false，保存为Binarty；True 保存为ASICC形式
print(pcd)

输出结果：

->正在加载点云... 
PointCloud with 356478 points.
->正在保存点云
PointCloud with 356478 points.

默认情况下，Open3D尝试通过文件扩展名推断文件类型。支持以下点云文件类型：

格式	描述
xyz	每一行包含 [x, y, z], 其中的x, y, z 是三维坐标
xyzn	每一行包含 [x, y, z, nx, ny, nz], 其中的 nx, ny, nz 是法线向量
xyzrgb	每一行包含 [x, y, z, r, g, b], 其中的 r, g, b 是范围在 [0, 1]的float类型
pts	第一行是表示点数的整数。每个后续行包含[x, y, z, i, r, g, b], 其中的 r, g, b 是uint8类型
ply	查看 Polygon File Format, ply文件能够同时包含点云和网格数据
pcd	查看 Point Cloud Data

也可以显式地指定文件类型。在这种情况下，文件扩展名将被忽略。

pcd = o3d.io.read_point_cloud("../../test_data/my_points.txt", format='xyz')

4 点云可视化

2.1 可视化单个点云

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("test.pcd")
print(pcd)

print("->正在可视化点云")
o3d.visualization.draw_geometries([pcd])

输出结果：

->正在加载点云... 
PointCloud with 356478 points.
->正在可视化点云

可视化结果展示：

可以通过键盘上的 +、-，实时调整点的大小。

2.2 同一窗口可视化多个点云

函数描述：

o3d.visualization.draw_geometries([pcd1, pcd2, ... ,pcdn])

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云1... ")
pcd1 = o3d.io.read_point_cloud("bunny.pcd")
print(pcd1)

print("->正在加载点云2...")
pcd2 = o3d.io.read_point_cloud("bunny0.pcd")
print(pcd2)

print("->正在同时可视化两个点云...")
o3d.visualization.draw_geometries([pcd1, pcd2])

输出结果：

->正在加载点云1... 
PointCloud with 35947 points.
->正在加载点云2...
PointCloud with 35947 points.
->正在同时可视化两个点云...

可视化结果：

2.3 可视化的属性设置

函数原型1：

draw_geometries(geometry_list, window_name='Open3D', width=1920, height=1080, left=50, top=50, point_show_normal=False, mesh_show_wireframe=False, mesh_show_back_face=False)

参数说明

参数名	描述
geometry_list	要可视化的几何体列表
window_name	(str, optional, default='Open3D')，可视化窗口的显示标题
width	(int, optional, default=1920)，可视化窗口的宽度
height	(int, optional, default=1080)，可视化窗口的高度
left	(int, optional, default=50)，可视化窗口的左边距
top	(int, optional, default=50)，可视化窗口的顶部边距
point_show_normal	(bool, optional, default=False)，如果设置为true，则可视化点法线，需要事先计算点云法线
mesh_show_wireframe	(bool, optional, default=False)，如果设置为true，则可视化网格线框
mesh_show_back_face	(bool, optional, default=False)，可视化网格三角形的背面

函数原型2：

draw_geometries(geometry_list, window_name='Open3D', width=1920, height=1080, left=50, top=50, point_show_normal=False, mesh_show_wireframe=False, mesh_show_back_face=False, lookat, up, front, zoom)

参数说明

参数名	描述
geometry_list	要可视化的几何体列表
window_name	(str, optional, default='Open3D')，可视化窗口的显示标题
width	(int, optional, default=1920)，可视化窗口的宽度
height	(int, optional, default=1080)，可视化窗口的高度
left	(int, optional, default=50)，可视化窗口的左边距
top	(int, optional, default=50)，可视化窗口的顶部边距
point_show_normal	(bool, optional, default=False)，如果设置为true，则可视化点法线
mesh_show_wireframe	(bool, optional, default=False)，如果设置为true，则可视化网格线框
mesh_show_back_face	(bool, optional, default=False)，可视化网格三角形的背面
lookat	(numpy.ndarray[float64[3, 1]])，相机的注视向量
up	(numpy.ndarray[float64[3, 1]])，相机的上方向向量
front	(numpy.ndarray[float64[3, 1]])，相机的前矢量
zoom	(float)，相机的缩放倍数

代码：

import open3d as o3d

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("bunny.pcd")
print(pcd)

# 法线估计
radius = 0.01   # 搜索半径
max_nn = 30     # 邻域内用于估算法线的最大点数
pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius, max_nn))     # 执行法线估计

# 可视化
o3d.visualization.draw_geometries([pcd], 
                                  window_name = "可视化参数设置",
                                  width = 600,
                                  height = 450,
                                  left = 30,
                                  top = 30,
                                  point_show_normal = True)

可视化结果：

5 k-d tree 与 Octree

5.1 k-d tree

• o3d.geometry.KDTreeFlann(pcd)：建立 KDTree
• search_knn_vector_3d(search_Pt, k)：K 近邻搜索
• search_radius_vector_3d(search_Pt, radius)：半径 R 近邻搜索
• search_hybrid_vector_3d(search_pt, radius, max_nn)：混合邻域搜索，返回半径 radius 内不超过 max_nn 个近邻点

代码：

import open3d as o3d
import numpy as np


print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("bunny.pcd")
print(pcd)

# 将点云设置为灰色
pcd.paint_uniform_color([0.5, 0.5, 0.5])

# 建立KDTree
pcd_tree = o3d.geometry.KDTreeFlann(pcd)

# 将第1500个点设置为紫色
pcd.colors[1500] = [0.5, 0, 0.5]

# 使用K近邻，将第1500个点最近的5000个点设置为蓝色
print("使用K近邻，将第1500个点最近的5000个点设置为蓝色")
k = 5000    # 设置K的大小
[num_k, idx_k, _] = pcd_tree.search_knn_vector_3d(pcd.points[1500], k)    # 返回邻域点的个数和索引
np.asarray(pcd.colors)[idx_k[1:], :] = [0, 0, 1]  # 跳过最近邻点（查询点本身）进行赋色
print("k邻域内的点数为：", num_k)

# 使用半径R近邻，将第1500个点半径（0.02）范围内的点设置为红色
print("使用半径R近邻，将第1500个点半径（0.02）范围内的点设置为红色")
radius = 0.02   # 设置半径大小
[num_radius, idx_radius, _] = pcd_tree.search_radius_vector_3d(pcd.points[1500], radius)   # 返回邻域点的个数和索引
np.asarray(pcd.colors)[idx_radius[1:], :] = [1, 0, 0]  # 跳过最近邻点（查询点本身）进行赋色
print("半径r邻域内的点数为：", num_radius)

# 使用混合邻域，将半径R邻域内不超过max_num个点设置为绿色
print("使用混合邻域，将第1500个点半径R邻域内不超过max_num个点设置为绿色")
max_nn = 200   # 半径R邻域内最大点数
[num_hybrid, idx_hybrid, _] = pcd_tree.search_hybrid_vector_3d(pcd.points[1500], radius, max_nn)
np.asarray(pcd.colors)[idx_hybrid[1:], :] = [0, 1, 0]  # 跳过最近邻点（查询点本身）进行赋色
print("混合邻域内的点数为：", num_hybrid)

print("->正在可视化点云...")
o3d.visualization.draw_geometries([pcd])

输出结果：

->正在加载点云... 
PointCloud with 35947 points.
使用K近邻，将第1500个点最近的5000个点设置为蓝色
k邻域内的点数为： 5000
使用半径R近邻，将第1500个点半径（0.02）范围内的点设置为红色
半径r邻域内的点数为： 751
使用混合邻域，将第1500个点半径R邻域内不超过max_num个点设置为绿色
混合邻域内的点数为： 200
->正在可视化点云...

结果展示：

5.2 Octree

八叉树（Octree）是一种树数据结构，其中每个内部节点有八个子节点。八叉树通常用于三维点云的空间划分。八叉树的非空叶节点包含属于同一空间细分的一个或多个点。八叉树是三维空间的有用描述，可用于快速查找附近的点。Open3D具有几何体类型的八叉树，可用于创建、搜索和遍历具有用户指定的最大树深度的八叉树max_depth。

5.2.1 从点云中构建Octree

可以使用convert_from_point_cloud方法从点云构造八叉树。通过遵循从根节点到“最大深度”（depth max_depth）处的相应叶节点的路径，将每个点插入到树中。随着树深度的增加，内部（最终是叶子）节点表示三维空间的较小分区。

如果点云具有颜色，则对应的叶节点将采用上次插入点的颜色。size_expand参数会增加根八叉树节点的大小，使其略大于原始点云边界以容纳所有点。

代码：

import open3d as o3d
import numpy as np

# --------------------------- 加载点云 ---------------------------
print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("tree.pcd")
print("原始点云：", pcd)
# ==============================================================

# ------------------------- 构建Octree --------------------------
print('octree 分割')
octree = o3d.geometry.Octree(max_depth=4)
octree.convert_from_point_cloud(pcd, size_expand=0.01)
print("->正在可视化Octree...")
o3d.visualization.draw_geometries([octree])
# ==============================================================

输出结果：

->正在加载点云... 
原始点云： PointCloud with 5746 points.
octree 分割
->正在可视化Octree...

结果展示：

5.2.2 从体素栅格中构建Octree

还可以使用create_from_voxel_grid的方法，从Open3D体素网格VoxelGrid几何体构建八叉树。每个体素被视为三维空间中的一个点，坐标对应于体素的原点。每个叶节点采用其相应体素的颜色。

代码：

import open3d as o3d
import numpy as np

# --------------------------- 加载点云 ---------------------------
print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("tree.pcd")
print("原始点云：", pcd)
# ==============================================================

# ------------------------- 构建Octree --------------------------
print('体素化')
voxel_grid = o3d.geometry.VoxelGrid.create_from_point_cloud(pcd, voxel_size=0.2)
print("体素：", voxel_grid)
print("正在可视化体素...")
o3d.visualization.draw_geometries([voxel_grid])

print('Octree 分割')
octree = o3d.geometry.Octree(max_depth=4)
octree.create_from_voxel_grid(voxel_grid)
print("Octree：", octree)
print("正在可视化Octree...")
o3d.visualization.draw_geometries([octree])
# ==============================================================

输出结果：

->正在加载点云... 
原始点云： PointCloud with 5746 points.
体素化
体素： VoxelGrid with 861 voxels.
正在可视化体素...
Octree 分割
Octree： Octree with origin: [64.647, -54.2659, -20.2166], size: 7, max_depth: 4
正在可视化Octree...

可视化结果：

6 点云滤波

6.1 体素下采样

体素下采样使用规则体素栅格从输入点云创建均匀下采样点云。该算法分两步操作：

• 将点云进行进行体素划分
• 对所有非空体素，取体素内点云的质心作为该体素的点的位置。

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("test.pcd")
print(pcd)

print("->正在可视化原始点云")
o3d.visualization.draw_geometries([pcd])

print("->正在体素下采样...")
voxel_size = 0.5
downpcd = pcd.voxel_down_sample(voxel_size)
print(downpcd)

print("->正在可视化下采样点云")
o3d.visualization.draw_geometries([downpcd])

输出结果：

->正在加载点云... 
PointCloud with 356478 points.
->正在可视化原始点云
->正在体素下采样...
PointCloud with 11141 points.
->正在可视化下采样点云

可视化展示：

6.2 统计滤波

statistical_outlier_removal 会移除距离相邻点更远的点。它需要两个输入参数：

• num_neighbors，指定为了计算给定点的平均距离，需要考虑多少个邻居。即K邻域的点数
• std_ratio，允许根据点云平均距离的标准偏差设置阈值水平。该数值越低，滤除的点数就越多

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("desk.pcd")
print("原始点云：", pcd)

# ------------------------- 统计滤波 --------------------------
print("->正在进行统计滤波...")
num_neighbors = 20 # K邻域点的个数
std_ratio = 2.0 # 标准差乘数
# 执行统计滤波，返回滤波后的点云sor_pcd和对应的索引ind
sor_pcd, ind = pcd.remove_statistical_outlier(num_neighbors, std_ratio)
sor_pcd.paint_uniform_color([0, 0, 1])
print("统计滤波后的点云：", sor_pcd)
sor_pcd.paint_uniform_color([0, 0, 1])
# 提取噪声点云
sor_noise_pcd = pcd.select_by_index(ind,invert = True)
print("噪声点云：", sor_noise_pcd)
sor_noise_pcd.paint_uniform_color([1, 0, 0])
# ===========================================================

# 可视化统计滤波后的点云和噪声点云
o3d.visualization.draw_geometries([sor_pcd, sor_noise_pcd])

输出结果：

->正在加载点云... 
原始点云： PointCloud with 41049 points.
->正在进行统计滤波...
统计滤波后的点云： PointCloud with 40061 points.
噪声点云： PointCloud with 988 points.

可视化结果：

6.3 半径滤波

radius_outlier_removal 移除给定球体中几乎没有邻居的点。需要两个参数：

num_points，邻域球内的最少点数，低于该值的点为噪声点

radius ，邻域半径的大小

代码：

import open3d as o3d
import numpy as np


print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("desk.pcd")
print("原始点云：", pcd)

# ------------------------- 半径滤波 --------------------------
print("->正在进行半径滤波...")
num_points = 20  # 邻域球内的最少点数，低于该值的点为噪声点
radius = 0.05    # 邻域半径大小
# 执行半径滤波，返回滤波后的点云sor_pcd和对应的索引ind
sor_pcd, ind = pcd.remove_radius_outlier(num_points, radius)
sor_pcd.paint_uniform_color([0, 0, 1])
print("半径滤波后的点云：", sor_pcd)
sor_pcd.paint_uniform_color([0, 0, 1])
# 提取噪声点云
sor_noise_pcd = pcd.select_by_index(ind,invert = True)
print("噪声点云：", sor_noise_pcd)
sor_noise_pcd.paint_uniform_color([1, 0, 0])
# ===========================================================

# 可视化半径滤波后的点云和噪声点云
o3d.visualization.draw_geometries([sor_pcd, sor_noise_pcd])

输出结果：

->正在加载点云... 
原始点云： PointCloud with 41049 points.
->正在进行半径滤波...
半径滤波后的点云： PointCloud with 40146 points.
噪声点云： PointCloud with 903 points.

可视化结果：

7 点云特征提取

7.1 法线估计

代码：

import open3d as o3d
import numpy as np

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("bunny.pcd")
print(pcd)

print("->正在估计法线并可视化...")
radius = 0.01   # 搜索半径
max_nn = 30     # 邻域内用于估算法线的最大点数
pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius, max_nn))     # 执行法线估计
o3d.visualization.draw_geometries([pcd], point_show_normal=True)

print("->正在打印前10个点的法向量...")
print(np.asarray(pcd.normals)[:10, :])

输出结果：

->正在加载点云... 
PointCloud with 35947 points.
->正在估计法线并可视化...
->正在打印前10个点的法向量...
[[-0.22344398 -0.96962557  0.09949394]
 [-0.30282456 -0.91827757  0.25507564]
 [-0.0930339  -0.77633579 -0.62341594]
 [ 0.06452443 -0.96881599 -0.23923249]
 [ 0.24771039 -0.96349484  0.10157387]
 [ 0.1890532  -0.97541781  0.11322096]
 [-0.26920394 -0.95010988  0.15754506]
 [ 0.72941317  0.51298568  0.45255067]
 [ 0.83949302  0.5402317   0.05831961]
 [-0.32325253  0.62920765  0.7068278 ]]

可视化结果：

8 点云分割

8.1 DBSCAN 聚类分割

Open3D实现了DBSCAN[1996]，这是一种基于密度的聚类算法。该算法在cluster_dbscan中实现，需要两个参数：eps 为同一簇内的最大点间距，min_points 定义有效聚类的最小点数。函数返回标签 label，其中label = -1表示噪声。

代码：

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

print("->正在加载点云... ")
pcd = o3d.io.read_point_cloud("test.pcd")
print(pcd)

print("->正在DBSCAN聚类...")
eps = 0.5           # 同一聚类中最大点间距
min_points = 50     # 有效聚类的最小点数
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(pcd.cluster_dbscan