點雲的python,點雲的輪廓線提取

本文目錄一覽：

• 1、怎麼在ubuntu運行點雲程序
• 2、python 如何將三維數組轉化為點雲？三維數組中只有0或者1
• 3、點雲配准用python怎麼樣
• 4、R和 Python 用於統計學分析，哪個更好
• 5、點雲數據處理的5個步驟

怎麼在ubuntu運行點雲程序

在網上這裡好多版本，我試過之後是這樣安裝完成的

sudo add-apt-repository ppa:v-launchpad-jochen-sprickerhof-de/pcl

sudo apt-get update

sudo apt-get install libpcl-all

現在相應的依賴關係：

sudo apt-get install Python-vtk sudo apt-get install libvtk-Java

此時pcl在Ubuntu上就安裝完成了

python 如何將三維數組轉化為點雲？三維數組中只有0或者1

使用reshape命令對矩陣進行整形。使用方式reshape(X,m,n…)

改進方式:

a(:,:,1)=[1

2

3;4

5

6;7

8

9];

a(:,:,2)=[0

1;0

1

0;1

0];

a(:,:,3)=3

for

j=1:3

k=a(j,:,:);

k=reshape(k,3,3);%更改位置，3,3按照自己的矩陣變化，但要保證數目相同

[x,y]=eig(k);%x:特徵向量;y:特徵值。後期自己再改正哈程序

end

點雲配准用python怎麼樣

點雲配准過程，就是求一個兩個點雲之間的旋轉平移矩陣（rigid transform or euclidean transform 剛性變換或歐式變換），將源點雲(source cloud)變換到目標點雲(target cloud)相同的坐標系下。

可以表示為以下的方程:

其中就是target cloud與source cloud中的一對對應點。

而我們要求的就是其中的R與T旋轉平移矩陣。

R和 Python 用於統計學分析，哪個更好

根據我的使用經驗，我認為一般性的科研可以使用numpy工具鏈做為主力。

首先，在寫矩陣計算相關的語句時，numpy的語法幾乎能逼近MATLAB的簡潔程度，而其他語言相對來說稍微「難看、難寫」一些。

其次，當程序不僅僅涉及到科學計算時，用Python就可以大發神威了。比如我自己遇到的一個實際問題：需要對點雲進行一些非常複雜的優化操作，之後需要畫出三維圖且支持一些拉近拉遠轉視角的操作，並且還要做出一個不錯的界面方便調整參數、載入數據等等。看到畫三維點雲的第一反應就是用OpenGL，但是使用C/C++寫那些非常繁雜的數值優化…用MATLAB可以很舒服、很便捷地寫出優化部分的代碼，但是直接畫大規模的三維點雲的速度，以及它那令人憂傷的GUI…

那Python就行嗎？是的。在數值計算方面，Numpy/Scipy，以及強大的機器學習包scikit.learn，讓這個過程十分愜意。在畫三維點雲方面，PyOpengl包完全就是OpenGL的Python封裝，速度非常快，而且語法幾乎同OpenGL一樣。最後，使用PyQt寫出基於Qt的GUI，這至少是一個標準的完備的GUI包，外觀功能都不錯。最後的最後，這個程序不需改動就可以跨平台運行，只要Linux/Windows用戶按照標準過程安裝了相應的包就可以使用，不用折騰本地編譯之類的事情。

還有一個問題是速度。Windows下使用python(x,y)、Linux下源里默認安裝方法的Python鏈接的都是較慢的Blas/Lapack庫，而MATLAB默認鏈接MKL，所以矩陣計算速度會慢非常多。但是至少在Linux下是很容易讓Numpy鏈接上MKL的，這樣的Numpy計算速度與MATLAB幾乎相同，所以速度不是嚴重的問題。也許C++能在循環上秒殺Python，但是如果你涉及到矩陣計算，用的普通的BLAS/LAPACK庫，那麼在核心的某幾步上會慢成渣，從而在總的速度上被Python超越，得不償失。當然你也可以讓C++程序鏈接上MKL庫，但要移植到別的平台又是一番折騰。

最後就是開發環境，個人推薦Eclipse的Pydev，用起來幾乎同MATLAB一樣，尤其是調試和看變數值方面。

在統計問題方面，用R寫起來最舒服，因為包全，這一點Python或者C比不上。而且R也能鏈接MKL大大加快速度。還有就是，如果你要寫統計方面的論文，那論文里的代碼用R似乎會「顯得」你更「

專業」一些。

上學期有流形學習課，我用scikit.learn包，幾乎每次只改一句話就能提交作業（把LLE變成ISOMAP什麼的）。還有一門統計學習課，讓我深刻感覺到R就是用來寫老師布置的ESL後面的那些編程題的，因為那些方法的作者，以及這本書的作者，寫的就是R的包。至於大規模計算、實際的大型工程問題，我沒有經驗，所以不能提供更多信息了。

補充：如果覺得自己鏈接MKL庫編譯Numpy和R麻煩的話，Python可以使用Canopy(就是之前的EPD)，R可以使用Revolution R，都是一些商業公司幫配置好的完整發行版，鏈接了MKL庫並支持其他一些特性（例如自帶IDE等）。前者各平台都有，後者僅限Windows平台。

點雲數據處理的5個步驟

1.點雲濾波方法(數據預處理): 雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機採樣一致性濾波。 VoxelGrid

2.關鍵點 ISS3D、Harris3D、NARF SIFT3D、

3.特徵和特徵描述 法線和曲率計算NormalEstimation、特徵值分析Eigen-Analysis、EGI PFH、FPFH、3D Shape Context、Spin Image

4.點雲匹配 ICP、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP NDT 3D、Multil-Layer NDT FPCS、KFPCS