點雲python,點雲分割

本文目錄一覽：

• 1、R和 Python 用於統計學分析，哪個更好
• 2、點雲配准用python怎麼樣
• 3、初學python，感受和C的不同
• 4、使用 python photogrammetry toolbox 進行照片3d重建使用什麼軟體
• 5、python 如何將三維數組轉化為點雲？三維數組中只有0或者1
• 6、怎麼在ubuntu運行點雲程序

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。

初學python，感受和C的不同

從開始看Python到現在也有半個多月了，前後看了Python核心編程和Dive into

Python兩本書。話說半個月看兩本，是個人都知道有多囫圇吞棗，這也是因為我暫時沒有需求拿這個做大型開發，主要是平時的小程序test用一用。所以

我的策略是，整體瀏覽，用到時候現查。話說這核心編程第一版太古老了，老在講2.2之前的東西，我看的翻譯電子版，翻譯得也不好，很晦澀。看完這個後還有

點雲里霧裡，看網上人家說DIP好，啄木鳥還有免費電子文檔，就找來看這個。怎麼說呢，講的比核心編程好，但不適合第一次看的初學者。我之所以覺得講得

好，是因為看核心編程，有些概念還有些模糊，看了這本書就明白不少了。要是初學者上來就看這本，保證不好理解。

下面就是在學習的過程中，在翻閱資料的過程中，總結的一些C和python比較明顯的不同之處，有大方向的，也有細節的。肯定沒有總結完，比如動態

函數，lambda這些，我都懶得往上寫了。實際上，作為兩種完全不同的語言，下面這些差異只是冰山一角而已。權當拋磚引玉吧，至少應該對和我有相同研究

興趣，正在考慮是否學習另一門語言的朋友有點幫助。此文也算是DIP的學習筆記吧。順帶說一句，要是有朋友了解，可以幫忙推薦一下實戰性強的Python

教材，語言這東西，不多練手，光比劃，是不可能學好的。

學習目的

我的以後的研究方向是嵌入式，顯然，C語言是我的主要語言。我不是一個語言愛好者，我以前覺得，對於做研究而不是應用的人來說，了解多門語言，不如

精通一門語言。之所以去看python，主要還是因為python更有利於快速開發一些程序，也是因為現在認識到，研究和應用是不能分離的。個人以為，要

想在計算機工程的競爭中立足，必須懂C語言。因為真正要做高性能編程,

不可能將機器的體系架構拋到腦後讓Python虛擬機（或Java虛擬機等）幫你搞定所有底層。越來越多的CPU

core，越來越恐怖的內存性能瓶頸，對於上層開發人員來說，無所謂，但是對高性能程序開發人員來說，這些是無法透明的。很多應用，還是自己掌控比較有

效。這些場合中，彙編和C還是不可替代的。但是，光知道C是不夠的，掌握一門面向對象語言，相對更高層的語言，不僅對以後的個人發展有利，也會對自己的技

術認識產生幫助。

如果要問對我來說誰更重要，我覺得還是C更重要。C的學習曲線更陡，貌似簡單，實際上到處都是陷阱，看上去比較簡單低效的程序，也不是學1，2個月

就能搞定的。談到優化的深層次和難度嘛，需要的功底是按年算的。但是一旦你C語言的基礎打好了，對計算機的理解，對其他語言的理解都是大有裨益的。比如，

如果你有C基礎，可以說，學過1天python，就能寫的出來一些不短的程序。後面的優化也不是什麼大不了的演算法，都是非常基本的語句換來換去。當然這裡

不是說 Python不好，實際上，上層應用，Python比C方便的不是一個層次。

很多人覺得，既然懂C了，那麼進一步掌握C＋＋應該是水到渠成，但C++不是C的超集，而我又不喜歡C＋＋的繁瑣和巨大，所以才決定看一看Python。我很喜歡Python的優雅與快捷。

語言類型

和C不一樣，Python是一種動態類型語言，又是強類型語言。這個分類怎麼理解呢？大概是可以按照下列說明來分類的：

靜態類型語言

一種在編譯期間就確定數據類型的語言。大多數靜態類型語言是通過要求在使用任一變數之前聲明其數據類型來保證這一點的。Java和 C 是靜態類型語言。

動態類型語言

一種在運行期間才去確定數據類型的語言，與靜態類型相反。Python 是動態類型的，因為它們確定一個變數的類型是在您第一次給它賦值的時候。

強類型語言

一種總是強制類型定義的語言。Java 和 Python 是強制類型定義的。您有一個整數，如果不明確地進行轉換 ，不能將把它當成一個字元串。

弱類型語言

一種類型可以被忽略的語言，與強類型相反。VBScript 是弱類型的。在 VBScript 中，您可以將字元串 『12′ 和整數 3 進行連接得到字元串』123′，然後可以把它看成整數 123 ，所有這些都不需要任何的顯示轉換。

對象機制

具體怎麼來理解這個「動態確定變數類型」，就要從Python的Object對象機制說起了。Objects（以下稱對象）是Python對於數據

的抽象，Python中所有的數據，都是由對象或者對象之間的關係表示的，函數是對象，字元串是對象，每個東西都是對象的概念。每一個對象都有三種屬性：

實體，類型和值。理解實體是理解對象中很重要的一步，實體一旦被創建，那麼就一直不會改變，也不會被顯式摧毀，同時通常意義來講，決定對象所支持的操作方

式的類型（type，包括number，string，tuple及其他）也不會改變，改變的只可能是它的值。如果要找一個具體點的說明，實體就相當於對

象在內存中的地址，是本質存在。而類型和值都只是實體的外在呈現。然後Python提供一些介面讓使用者和對象交互，比如id(）函數用來獲得對象實體的

整形表示（實際在這裡就是地址），type()函數獲取其類型。

這個object機制，就是c所不具備的，主要體現在下面幾點：

1 剛才說了，c是一個靜態類型語言，我們可以定義int a, char

b等等，但必須是在源代碼裡面事先規定。比如我們可以在Python裡面任意一處直接規定a =

「lk」，這樣，a的類型就是string，這是在其賦值的時候才決定的，我們無須在代碼中明確寫出。而在C裡面，我們必須顯式規定char *a =

「lk」，也就是人工事先規定好a的類型

2 由於在C中，沒有對象這個概念，只有「數據的表示」，比如說，如果有兩個int變數a和b，我們想比較大小，可以用a ＝＝

b來判斷，但是如果是兩個字元串變數a和b，我們就不得不用strcmp來比較了，因為此時，a和b本質上是指向字元串的指針，如果直接還是用＝＝比較，

那比較的實際是指針中存儲的值——地址。

在Java中呢，我們通過使用 str1 == str2 可以確定兩個字元串變數是否指向同一塊物理內存位置，這叫做「對象同一性」。在 Java 中要比較兩個字元串值，你要使用 str1.equals(str2)。

然後在Python中，和前兩者都不一樣，由於對象的引入，我們可以用「is」這個運算符來比較兩個對象的實體，和具體對象的type就沒有關係

了，比如你的對象是tuple也好，string也好，甚至class也好，都可以用」is」來比較，本質上就是「對象同一性」的比較，和Java中

的＝＝類似，和 C中的pointer比較類似。Python中也有＝＝比較，這個就是值比較了。

3

由於對象機制的引入，讓Python的使用非常靈活，比如我們可以用自省方法來查看內存中以對象形式存在的其它模塊和函數，獲取它們的信息，並對它們進行

操作。用這種方法，你可以定義沒有名稱的函數，不按函數聲明的參數順序調用函數，甚至引用事先並不知道名稱的函數。 這些操作在C中都是不可想像的。

4 還有一個很有意思的細節，就是類型對對象行為的影響是各方面的，比如說，a = 1; b =

1這個語句中，在Python裡面引發的，可能是a，b同時指向一個值為1的對象，也可能是分別指向兩個值為1的對象。而例如這個語句，c = []; d

= []，那麼c和d是肯定指向不同的，新創建的空list的。沒完，如果是」c = d =

[]「這個語句呢？此時，c和d又指向了相同的list對象了。這些區別，都是在c中沒有的。

最後，我們來說說為什麼python慢。主要原因就是function call

overhead比較大。因為所有東西現在都是對象了，contruct 和destroy 花費也大。連1 + 1 都是 function

call，像』12′+』45′ 這樣的要 create a third string object, then calls the string

obj』s __add。可想而知，速度如何能快起來？

列表和數組

分析Python中的list和C中的數組總是很有趣的。相信可能一些朋友和一樣，初學列表的時候，都是把它當作是數組來學的。最初對於list和數組區別的定性，主要是集中在兩點。首先，list可以包含很多不同的數據類型，比如

[“this”, 1, “is”, “an”, “array”]

這個List，如果放在C中，其實是一個字元串數組，相當於二維的了。

其次呢，list有很多方法，其本身就是一個對象，這個和C的單純數組是不同的。對於List的操作很多樣，因為有方法也有重載的運算符。也帶來一些問題，比如下面這個例子：

加入我們要產生一個多維列表，用下面這個語句

A = [[None] * 2] * 3

結果，A的值會是

[[None, None], [None, None], [None, None]]

初一看沒問題，典型的二維數組形式的列表。好，現在我們想修改第一個None的值，用語句

A[0][0] = 5

現在我們再來看看A的值：

[[5, None], [5, None], [5, None]]

發現問題沒有？這是因為用 * 來複制時，只是創建了對這個對象的引用，而不是真正的創建了它。 *3 創建了一個包含三個引用的列表，這三個引用都指向同一個長度為2的列表。其中一個行的改變會顯示在所有行中，這當然不是你想要的。解決方法當然有，我們這樣來創建

A = [None]*3

for i in range(3):

A[i] = [None] * 2

這樣創建了一個包含三個不同的長度為2的列表。

所以，還是一直強調的，越複雜的東西，越靈活，也越容易出錯。

代碼優化

C是一個很簡單的語言，當我們考慮優化的時候，通常想得也很簡單，比如系統級調用越少越好（緩衝區機制），消除循環的低效率和不必要的系統引用，等

等，其實主要都是基於系統和硬體細節考慮的。而Python就完全不一樣了，當然上面說的這些優化形式，對於Python仍然是實用的，但由於

Python的語法形式千差萬別，庫和模塊多種多樣，所以對於語言本身而言，就有很多值得注意的優化要點，舉幾個例子吧。

比如我們有一個list L1，想要構建一個新的list L2，L2包括L1的頭4個元素。按照最直接的想法，代碼應該是

L2 = []

for i in range[3]:

L2.append(L1[i])

而更加優化和優美的版本是

L2 = L1[:3]

再比如，如果s1..s7是大字元串(10K+)，那麼join([s1,s2,s3,s4,s5,s6,s7])就會比

s1+s2+s3+s4+s5+s6+s7快得多,因為後者會計算很多次子表達式，而join()則在一次過程中完成所有的複製。還有，對於字元串操作，

對字元串對象使用replace()方法。僅當在沒有固定字元串模式時才使用正則表達式。

所以說，以優化為評判標準，如果說C是短小精悍，Python就是博大精深。

include和import

在C語言中的include非常簡單，因為形式單一，意義明確，當你需要用到外部函數等資源時，就用include。而Python中有一個相似的

機制，就是import。乍一看，這兩個傢伙挺像的，不都是我們要用外部資源（最常見的就是函數或者模塊（Python））時就用這個來指明么？其實不

然，兩者的處理機制本質區別在於，C中的include是用於告訴預處理器，這個include指定的文件的內容，你都給我當作在本地源文件中出現過。而

import呢，不是簡單的將後面的內容*直接*插入到本地裡面去，這玩意更加靈活。事實上，幾乎所有類似的機制，Python都比C靈活。這裡不是說C

不好，C很簡練，我其實更喜歡C。

簡單說說這個靈活性。import在python中有三種形式，import X, from X import *( or a,b,c……),

X = __import__(』x’)。最常用的是第二種，因為比較方便，不像第一種那樣老是用X.module來調用模塊。from X

import *只是import那些public的module(一般都是不以__命名的模塊)，也可以指定a,b,c來import。

什麼時候用哪一種形式呢？應該說，在大多數的模塊文檔里，都會明確告訴你應該用哪種形式。如果需要用到很多對象，那麼from X import

*可能更合適一些，但是，就目前來看，大多數第三方Python庫都不推薦使用from modulename import *

這種格式。這樣做會使引入者的namespace混亂。很多人甚至對於那些專門設計用於這種模式的模塊（包括Tkinter,

threading和matplot）都不採用這種方式。而如果你僅僅需要某個對象類a，那麼用from X import a比用import

X.a更好，因為以後你調用a的函數直接用a.function()既可以了，不用加X。

如果你連自己希望import的模塊都不知道怎麼辦？請注意，此時Python的優勢就體現出來了，我們可以用

__import__(module)來調用module，其中這個module是字元串，這樣，可以在運行時再決定，你到底要調用什麼module。舉

個例子：

def classFromModule (module, Name):

mod = __import__ (module)

return getattr (mod, Name)

這裡，定義了一個函數classFromModule，你可以在代碼的任何時候調用它，

o = classFromModule (ModuleOfTheClass, NameOfTheAttribute)()

只需要傳入字元串形式的你希望import的模塊ModuleOfTheClass和其中屬性的名字NameOfTheAttribute（當然可以是數據也可以是方法），就能調用了，這個名字字元串不用事先指定，而是根據當時運行的情況來判斷。

順帶說一句，Python中import的順序也有默認規定，這個和C中的include有點類似，因為我們一般都是先include系統文件，再

include自己的頭文件（而且還有和「」的區別）。Python中呢，一般應該按照以下順序import模塊：

1. 標準庫模塊 — 如 sys, os, getopt 等

2. 第三方模塊

3. 本地實現的模塊。

全局變數

這裡談全局變數呢，倒不是說Python和c的全局變數概念不同，他們的概念是相同的。只是在使用機制上，是有一些差異的。舉個例子：

– module.py –

globalvar = 1

def func():

print globalvar

# This makes someglobal readonly,

# any attempt to write to someglobal

# would create a new local variable.

def func2():

global globalvar

globalvar = 2

# this allows you to manipulate the global

# variable

在 func這個函數中，globalvar是只讀的。如果你使用了globalvar =

xxx這種賦值語句，Python會重新創造一個新的本地對象並將新值賦給它，原來的對象值不變。而在func2函數中，由於我們事先申明了

globalvar是global的，那麼此時的更改就直接在全局變數上生效。

使用 python photogrammetry toolbox 進行照片3d重建使用什麼軟體

之前我們了解了如何使用 VisualSFM 對多張照片進行3D重建。除了 VisualSFM 之外，其實還有其他方法能夠完成同樣的任務，今天就為大家介紹一下 Python Photogrammetry Toolbox（下稱 PPT）。

使用 PPT 進行照片重建，基本步驟與使用 VisualSFM 時相同，分為特徵識別、特徵匹配、稀疏重建以及稠密重建幾步。不過 PPT 通過 Python 腳本語言將 bundle、PMVS 等工具封裝了起來，一方面提供了跨平台性，更重要的，整個重建過程可以依靠腳本完成，減少了人工參與的成分。

您需要在下面的網頁下載安裝 PPT。

如果您按照網頁上的介紹，除了 PPT 之外還安裝了相應的 GUI，那麼重建過程會更直觀。我們下面的示例也將使用 GUI。這次用於重建的照片，仍然是 Autodesk 123D Catch 中自帶的佛陀，你可以在 123D Catch 安裝目錄下的 sample_project 中找到這些照片。

啟動 PPT 的 GUI，你將看到主程序界面。

主界面中有 4 個 tab，常用的是前兩個。「1. Run Bundle」 用於識別與匹配圖像特徵點，「2. Run CMVS/PMVS」 則完成稀疏與稠密重建。

點擊 Select Photos Path 後，我們可以在彈出的對話框中選擇我們希望重建的照片所在的目錄。除了指定照片目錄之外，界面中還提供了一些選項。其中 Select Feature Extractor 用於選擇特徵的抽取方法。不同的抽取方法可能有不同的許可證要求，不過對於我們試用來說區別不大。右側的選項可以讓你對圖片進行統一的縮放。每次你改動配置，底部的 Run 中的命令行都會相應更新。

配置停當後，點擊 Run，就可以開始我們重建的第一步了。此時，在 Python 的 Console 中，你可以看到識別以及匹配的過程。

在識別匹配完成後，會自動彈出工作目錄，其中保存了各個照片的特徵值以及匹配結果。

我們在主界面中切換到 「2. Run CMVS/PMVS」 標籤，在 「Select Bundler Output Path」 中填入之前的工作目錄。需要注意的是下面這個選項。

該選項決定了 PMVS 將使用多少張照片重建模型。如果填入的數字小於照片的總數，那麼將會得到多個模型，這樣你還得手動將這些模型組合起來。因為佛陀的照片一共有 40 張，所以我們直接在這裡填入 40。同樣的，每次你改變配置，Run 中的命令行都會相應改變。配置完之後，點擊 Run，便開始稀疏重建了。與在 VisualSFM 中一樣，這一步非常耗費 CPU，所以請在空閑時運行。

經過一段時間等待之後，剛才的工作目錄中會多出現 pmvs 的目錄，重建的結果就在其中。

打開 models 下的 ply 文件，我們就又可以看到我們熟悉的佛陀朋友了。

到這裡我們已經得到了模型的點雲。其後的根據點雲重建多邊形的步驟，與使用 VisualSFM 時相同，這裡就不再介紹了。

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

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