一、函数介绍
使用RANSAC从点云中分割平面,用segement_plane函数。这个函数需要三个参数:
- destance_threshold:定义了一个点到一个估计平面的最大距离,这些距离内的点被认为是内点(inlier),
- ransac_n:定义了使用随机抽样估计一个平面的点的个数,
- num_iterations:定义了随机平面采样和验证的频率(迭代次数)。
这个函数返回(a,b,c,d)作为一个平面,对于平面上每个点(x,y,z)满足ax+by+cz+d=0。这个函数还会返回内点索引的列表。
二、代码实现
import open3d as o3d
pcd = o3d.io.read_point_cloud("D:/PCL/RANSAC/RANSAC/204.pcd")
plane_model, inliers = pcd.segment_plane(distance_threshold=0.1,
ransac_n=10,
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)
inlier_cloud.paint_uniform_color([1.0, 0, 0])
outlier_cloud = pcd.select_by_index(inliers, invert=True)
outlier_cloud.paint_uniform_color([0, 1, 0])
o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud])
三、结果展示
四、总结
- 平面准确目前还没有想到方法验证,但是速度很快,相比于PCL的RANSAC平面拟合。
五、坐标中心化
import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("D:/PCL/RANSAC/RANSAC/204.pcd")
xyz = np.asarray(pcd.points)
xyz = xyz - np.mean(xyz, axis=0)
point_cloud = o3d.geometry.PointCloud()
point_cloud.points = o3d.utility.Vector3dVector(xyz)
o3d.io.write_point_cloud("D:/PCL/RANSAC/RANSAC/205.pcd", point_cloud)