安装

这个在linux下，按照官方教程给的提示，没出问题。其中换了清华镜像源可以快一点。

File IO

Pointcloud

print("Testing IO for point cloud ...")
pcd = o3d.io.read_point_cloud("../../TestData/fragment.pcd")
print(pcd)  # 可以打印这个点云的点数
o3d.io.write_point_cloud("copy_of_fragment.pcd", pcd)
# 输出如下
#Testing IO for point cloud ...
#geometry::PointCloud with 113662 points.

点云（PointCloud的一些格式）：
xyz：每行包含xyz的3个坐标值
xyzn：每行都是x, y, z, xn, yn, zn.坐标值和法线值6个值
xyzrgb：每行也是6个值，其中rgb都是[0, 1]的范围内
pts：第一行是代表点数的整数。随后的每一行都包含[x，y，z，i，r，g，b]，其中r，g，b是uint8
ply：
pcd：

# 这里明确了文件的类型，那么文件的后缀则被忽略
pcd = o3d.io.read_point_cloud("../../TestData/my_points.txt", format='xyz')

Mesh

print("Testing IO for meshes ...")
mesh = o3d.io.read_triangle_mesh("../../TestData/knot.ply")
print(mesh)  # 打印点数和三角面数
o3d.io.write_triangle_mesh("copy_of_knot.ply", mesh)
# 输出
#Testing IO for meshes ...
#geometry::TriangleMesh with 1440 points and 2880 triangles.

一些格式：
ply，stl，obj，off，gltf

Image

print("Testing IO for images ...")
img = o3d.io.read_image("../../TestData/lena_color.jpg")
print(img)  # 打印图片的大小和通道数
o3d.io.write_image("copy_of_lena_color.jpg", img)
# 输出
#Testing IO for images ...
#Image of size 512x512, with 3 channels.
#Use numpy.asarray to access buffer data.

PointCloud

可视化点云

print("Load a ply point cloud, print it, and render it")
pcd = o3d.io.read_point_cloud("../../TestData/fragment.ply")
print(pcd)
print(np.asarray(pcd.points))
o3d.visualization.draw_geometries([pcd], zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])
#我实现的时候报错，是版本不对吗？我的库函数是：def 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)                                  
'''
Load a ply point cloud, print it, and render it
geometry::PointCloud with 196133 points.
[[0.65234375 0.84686458 2.37890625]
 [0.65234375 0.83984375 2.38430572]
 [0.66737998 0.83984375 2.37890625]
 ...
 [2.00839925 2.39453125 1.88671875]
 [2.00390625 2.39488506 1.88671875]
 [2.00390625 2.39453125 1.88793314]]
 '''

read_point_cloud从文件读取点云。它尝试根据扩展名对文件进行解码。支持的扩展名是：pcd，ply，xyz，xyzrgb，xyzn，pts。
draw_geometries可视化点云。使用鼠标/触控板从不同的角度查看几何。按h键以打印出该GUI的完整键盘说明列表。

体素降采样

该算法的两个步骤：
1.点被存储到体素中。
2.每个占用的体素通过平均内部的所有点来生成精确的一个点。

print("Downsample the point cloud with a voxel of 0.05")
downpcd = pcd.voxel_down_sample(voxel_size=0.05)  # 设定体素大小
o3d.visualization.draw_geometries([downpcd], zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])  # 可视化

顶点法线估计

可视化的时候，按n查看法线。键-和键+可用于控制法线的长度。

print("Recompute the normal of the downsampled point cloud")
downpcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))  // 设定估计法线的参数，搜索方法是kdtree（半径0.1米，最大邻居数量30）
o3d.visualization.draw_geometries([downpcd], zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024],
                                  point_show_normal=True)

estimate_normals计算每个点的法线。该函数查找相邻点并使用协方差分析计算相邻点的主轴线（法线）。
法线有两个方向，open3d尝试与现有的方向对齐，也可以调用orient_normals_to_align_with_direction 和orient_normals_towards_camera_location。

访问估计的顶点法线

print("Print a normal vector of the 0th point")
print(downpcd.normals[0])  # 调用这个变量的属性
'''
输出第一个法向量的值
Print a normal vector of the 0th point
[-0.21838377 -0.94240442 -0.25334252]
'''


print("Print the normal vectors of the first 10 points")
print(np.asarray(downpcd.normals)[:10, :])  # 转换成numpy
'''
Print the normal vectors of the first 10 points
[[-0.21838377 -0.94240442 -0.25334252]
 [-0.39147152 -0.43746664 -0.8095511 ]
 [-0.00694405 -0.99478075 -0.10179902]
 [-0.00399871 -0.99965423 -0.02598917]
 [-0.93768261 -0.07378998  0.3395679 ]
 [-0.43476205 -0.62438493 -0.64894177]
 [-0.09739809 -0.9928602  -0.06886388]
 [-0.11728718 -0.95516445 -0.27185399]
 [-0.01038945 -0.99968858 -0.02268921]
 [-0.00816546 -0.99965616 -0.02491762]]
'''

修剪点云

print("Load a polygon volume and use it to crop the original point cloud")
vol = o3d.visualization.read_selection_polygon_volume("../../TestData/Crop/cropped.json")
chair = vol.crop_point_cloud(pcd)
o3d.visualization.draw_geometries([chair], zoom=0.7,
                                  front=[0.5439, -0.2333, -0.8060],
                                  lookat=[2.4615, 2.1331, 1.338],
                                  up=[-0.1781, -0.9708, 0.1608])

read_selection_polygon_volume读取一个指定多边形选择区域的json文件。根据这个指定区域，裁剪点云
vol.crop_point_cloud（pcd）过滤出点。只剩下椅子了。

涂颜色

print("Paint chair")
chair.paint_uniform_color([1, 0.706, 0])
o3d.visualization.draw_geometries([chair], zoom=0.7,
                                  front=[0.5439, -0.2333, -0.8060],
                                  lookat=[2.4615, 2.1331, 1.338],
                                  up=[-0.1781, -0.9708, 0.1608])

paint_uniform_color将所有点绘制为统一的颜色。颜色在[0，1]范围的RGB空间中。

边界体积

Open3D实现了AxisAlignedBoundingBox和OrientedBoundingBox，它们也可以用于裁剪几何。

aabb = chair.get_axis_aligned_bounding_box()
aabb.color = (1,0,0)
obb = chair.get_oriented_bounding_box()
obb.color = (0,1,0)
o3d.visualization.draw_geometries([chair, aabb, obb], zoom=0.7,
                                  front=[0.5439, -0.2333, -0.8060],
                                  lookat=[2.4615, 2.1331, 1.338],
                                  up=[-0.1781, -0.9708, 0.1608])

凸包

点云的凸包是包含所有点的最小凸集。Open3D包含方法compute_convex_hull，该方法计算例如点云的凸包。该实现基于Qhull
在下面的示例代码中，我们首先从网格中采样点云，然后计算作为三角形网格返回的凸包。然后，我们将凸包可视化为红色LineSet。

pcl = o3dtut.get_bunny_mesh().sample_points_poisson_disk(number_of_points=2000)
hull, _ = pcl.compute_convex_hull()
hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
hull_ls.paint_uniform_color((1, 0, 0))
o3d.visualization.draw_geometries([pcl, hull_ls])

基于密度的聚类算法DBSCAN

例如，给定一个来自深度传感器的点云，我们希望将局部点云分组在一起。
函数cluster_dbscan，eps定义到群集中邻居的距离，min_points定义形成群集所需的最小点数。该函数返回labels，其中labels=-1表示噪音。

pcd = o3d.io.read_point_cloud("../../TestData/fragment.ply")

with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))

max_label = labels.max()
print(f"point cloud has {max_label + 1} clusters")
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
colors[labels < 0] = 0
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd], zoom=0.455,
                                  front=[-0.4999, -0.1659, -0.8499],
                                  lookat=[2.1813, 2.0619, 2.0999],
                                  up=[0.1204, -0.9852, 0.1215])
# 输出point cloud has 10 clusters
# label=0则为第0类。。。

平面分割

函数segement_plane，有3个参数：
distance_threshold定义了一个点到一个估计平面的最大距离，在最大距离内被视为一个内点，
ransac_n定义随机采样以估计平面的点数，
num_iterations定义对随机平面进行采样和验证的频率。
该函数返回（a,b,c,d）一个平面的参数（ax+by+cz+d=0）
该函数进一步返回一个内点索引列表

pcd = o3d.io.read_point_cloud("../../TestData/fragment.pcd")
plane_model, inliers = pcd.segment_plane(distance_threshold=0.01,
                                         ransac_n=3,
                                         num_iterations=1000)
[a, b, c, d] = plane_model
print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")

inlier_cloud = pcd.select_by_index(inliers)  # 利用索引来提取内点
inlier_cloud.paint_uniform_color([1.0, 0, 0])  # 设置红色
outlier_cloud = pcd.select_by_index(inliers, invert=True)
o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud], zoom=0.8,
                                  front=[-0.4999, -0.1659, -0.8499],
                                  lookat=[2.1813, 2.0619, 2.0999],
                                  up=[0.1204, -0.9852, 0.1215])
#输出 
#Plane equation: -0.06x + -0.10y + 0.99z + -1.06 = 0

隐藏点删除（不懂）

print("Convert mesh to a point cloud and estimate dimensions")
pcd = o3dtut.get_armadillo_mesh().sample_points_poisson_disk(5000)
diameter = np.linalg.norm(np.asarray(pcd.get_max_bound()) - np.asarray(pcd.get_min_bound()))
o3d.visualization.draw_geometries([pcd])

print("Define parameters used for hidden_point_removal")
camera = [0, 0, diameter]
radius = diameter * 100

print("Get all points that are visible from given view point")
_, pt_map = pcd.hidden_point_removal(camera, radius)

print("Visualize result")
pcd = pcd.select_by_index(pt_map)
o3d.visualization.draw_geometries([pcd])