使用Python，Open3D对点云散点投影到面上并可视化，使用3种方法计算面的法向量及与平均法向量的夹角

写这篇博客源于博友的提问，他坚定了我继续坚持学习的心，带给了我充实与快乐。
将介绍以下5部分：

随机生成点云点
投影点到面（给出了6个面的中心点，离哪个中心点距离近就投影到哪个面）
对投影到每个面的点云计算法向量点（3种方法 KNN 半径近邻混合近邻）
对每个面上的法向量及与平均法向量的夹角
可视化原始点及法向量点
对每个面角度进行简单统计并绘制直方图(hist)
对每个面角度进行分区间统计并绘制直方图（俩种方法 hist df.plot）
df.plot 支持中文，绘制多行列子图，及共享xy轴，支持图例，图形大小等设置

1. 效果图

1.1 点云点灰色 VS 法向量点绿色 VS 法向量可视化

全量点云点灰色 VS 全量法向量点绿色效果图如下：
投影到每个面的均值点为渲染为红色比较明显。法向量点均值点渲染为黄色这里不太明显，可查看下边每个投影面的效果图；

全量点云点灰色 VS 全量法向量点绿色 VS 法向量可视化效果图如下：

1.2 投影到每个面上的点云点灰色 VS 法向量点绿色 VS 均值点红色，法向量均值点黄色

投影到第一个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图
红色，黄色点不明显，旋转下看下一个图；

投影到第一个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，旋转后红色、黄色点比较明显如下图

投影到第一个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时可视化法向量点如下图

投影到第2个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图

投影到第2个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时渲染法向量如下图

投影到第3个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图

投影到第3个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时渲染法向量如下图

投影到第4个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图

投影到第4个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时渲染法向量如下图

投影到第5个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图

投影到第5个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时渲染法向量如下图

投影到第6个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，如下图

投影到第6个面上的原始点渲染为灰色，均值点渲染为红色；
法向量点渲染为绿色，法向量均值点渲染为黄色，同时渲染法向量如下图

直接按bins=9，将每一个面的角度分为9个块进行绘制，效果图如下：
这个时候不太好的一点是不能根据每个区间看，可以指定bins为数组，一段一段的统计见下一张效果图；
优化bins=[0,10,20,30,40.50,60,70,80,90]，将每一个面的角度分为9个区间进行统计绘制，效果图如下：

pandas dataFrame df.plot绘制子图角度分布图如下：
6行1列，或者2行3列

6个面的角度，按区间绘制在一个图中，共享xy轴，效果图如下：

2. 源码

# 随机生成点
# 投影到面上，（给出了6个面的中心点，离哪个中心点距离近就投影到哪个面）
# 对投影到每个面的点云计算法向量点（3种方法 KNN 半径近邻 混合近邻）
# 对每个面上的法向量求均值及与平均法向量的夹角
# 并可视化原始点灰色，法向量点绿色，均值点红色，均值法向量点黄色
# 对每个面角度进行简单统计并绘制直方图(hist)
# 对每个面角度进行分区间统计并绘制直方图（俩种方法 hist df.plot）
# df.plot 支持中文，绘制多行列子图，及共享xy轴，支持图例，图形大小等设置
import randomimport numpy as np
import open3d as o3d# 随机种子，以便复现结果
random.seed(123)# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决保存图像是负号'-'显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False# 假设立方体是2*2*2，立方体的质心是笛卡尔坐标的原点，立方体外接球的半径为sqrt（3）d = {}  # 存储面的中心点及投影到每个面上的点云点，key中心 values投影到该面的点云点def add_dict(dictionary, loc, centroid):# loc is the point's location on sphere,# centroid is the center(s) of cube's face(s) that is nearest to the locif tuple(loc) in dictionary.keys():dictionary[tuple(loc)].append(list(centroid))else:dictionary[tuple(loc)] = [list(centroid)]def point_generator(npoints, r):result = []# 0 < theta < 2*np.pi# 0 < phi < np.pifor i in range(npoints):theta = random.random() * 2 * np.piphi = random.random() * np.pix = r * np.cos(theta) * np.sin(phi)y = r * np.sin(theta) * np.sin(phi)z = r * np.cos(phi)result.append([x, y, z])return resultnpoints = 5000
r = np.sqrt(3)
centroids = [[1, 0, 0], [0, 1, 0], [0, 0, 1], [-1, 0, 0], [0, -1, 0], [0, 0, -1]]
points = point_generator(npoints, r)# print(points)# 计算俩个点的距离
def distance(p, q):if len(p) == len(q):result = 0for i in range(len(p)):result += (p[i] - q[i]) ** 2return result ** 0.5else:print('cannot calculate distance of points from different dimensions')# 寻找离点最近的面（中心点），并投影到对应的面上
def archive_nearest_pc_pairs(dictionary, centroids, points):for p in points:dist = []for q in centroids:dist.append(distance(p, q))nearest_centroid = centroids[dist.index(min(dist))]  # 寻找最近的立方体面中心的点距离add_dict(dictionary, nearest_centroid, p)archive_nearest_pc_pairs(d, centroids, points)
print(centroids)# 3种方法计算法向量
def compute_normals(pcd, flag=1):# 混合搜索  KNN搜索  半径搜索if (flag == 1):pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.01, max_nn=20))  # 计算法线,搜索半径1cm,只考虑邻域内的20个点elif (flag == 2):pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamKNN(knn=3))  # 计算法线,只考虑邻域内的20个点else:pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamRadius(radius=0.01))  # 计算法线,搜索半径1cm,只考虑邻域内的20个点# 计算俩个法向量的夹角可参考 http://mp.ofweek.com/it/a456714148137
# x为第一个法向量，y为第二个法向量
def cal_angle(x, y):# 分别计算两个向量的模：l＿x = np.sqrt(x.dot(x))l＿y = np.sqrt(y.dot(y))# print('向量的模=', l＿x, l＿y)# 计算两个向量的点积dian = x.dot(y)# print('向量的点积=', dian)# 计算夹角的cos值：cos＿ = dian / (l＿x * l＿y)# print('夹角的cos值=', cos＿)# 求得夹角(弧度制)：angle＿hu = np.arccos(cos＿)# print('夹角(弧度制)=', angle＿hu)# 转换为角度值：angle＿d = angle＿hu * 180 / np.pi# print('夹角=%f°' % angle＿d)return angle＿d# 初始化法向量dict，key中心点 values法向量点
normals_dict = {}
pcds = []
for i, (key, value) in enumerate(d.items()):# print(value)val = np.array(value)# 计算点云均值点，并插入到原点云点的第一个点avg_point = np.mean(val, axis=0)  # axis=0,计算每一列的均值origin_points = np.row_stack((avg_point, val))# 构造点云数据pcd = o3d.geometry.PointCloud()points = o3d.utility.Vector3dVector(origin_points)pcd.points = points# 计算法向量,可选择3种方法计算法向量,传值1/2/其他compute_normals(pcd, 2)normals = o3d.np.asarray(pcd.normals)# print('pcd-normals: ', normals)normals_dict[key] = normalsprint('第', str(i + 1), '个面, center:', key, len(pcd.normals), '个点')# print(np.sum(normals) / len(normals))# 均值点法向量点avg_normal = normals[0]# 遍历计算平均向量与点云向量的夹角（由于第一个点是均值点，所以去除）for j, (point, point_normal) in enumerate(zip(origin_points[1:], normals[1:])):# 计算均值点法向量 与 点云点法向量的夹角print('\t第 %s 个点, angle: %s' % (str(j + 1),cal_angle(np.array(avg_point) - np.array(avg_normal), np.array(point) - np.array(point_normal))))print("--------------------------------------------------------")# 可视化法向量点和原始点pcd.paint_uniform_color([0.5, 0.5, 0.5])  # 把原始点渲染为灰色pcd.colors[0] = [1, 0, 0]  # 原始点云均值点渲染为红色normal_point = o3d.utility.Vector3dVector(pcd.normals)normals = o3d.geometry.PointCloud()normals.points = normal_pointnormals.paint_uniform_color((0, 1, 0))  # 点云法向量的点都以绿色显示normals.colors[0] = [1, 1, 0]  # 均值点法向量点渲染为黄色o3d.visualization.draw_geometries([pcd, normals], "Open3D origin " + str(i + 1) + " VS normals points True",width=800,height=600, left=50,top=50,point_show_normal=True, mesh_show_wireframe=False,mesh_show_back_face=False)o3d.visualization.draw_geometries([pcd, normals], "Open3D origin " + str(i + 1) + " VS normals points False",width=800,height=600, left=50,top=50,point_show_normal=False, mesh_show_wireframe=False,mesh_show_back_face=False)# 加入list以便全量渲染pcds.append(pcd)pcds.append(normals)print(pcds[0], pcds[1], pcds[2], pcds[3], pcds[4], pcds[5],pcds[6], pcds[7], pcds[8], pcds[9], pcds[10], pcds[11],len(pcds))
# 同时可视化法向量
o3d.visualization.draw_geometries([pcds[0], pcds[1], pcds[2], pcds[3], pcds[4],pcds[5], pcds[6], pcds[7], pcds[8], pcds[9], pcds[10], pcds[11]], "Open3D originAll VS normals points True",width=800,height=600, left=50,top=50,point_show_normal=True, mesh_show_wireframe=False,mesh_show_back_face=False)# 不可视化法向量
o3d.visualization.draw_geometries([pcds[0], pcds[1], pcds[2], pcds[3], pcds[4],pcds[5], pcds[6], pcds[7], pcds[8], pcds[9],pcds[10], pcds[11]], "Open3D originAll VS normals points False",width=800,height=600, left=50,top=50,point_show_normal=False, mesh_show_wireframe=False,mesh_show_back_face=False)# 画角度分布直方图
def get_normal_angle_histogram(dict):""":param dict::return:"""dict_angle_histogram = {}min_angle = 0max_angle = 90partition = (max_angle - min_angle) / 9data_list = []for centroid in dict.keys():v1 = {}# data_tri_list = []for l in range(9):v1[l] = 0for i in range(len(dict[centroid])):k = round(float((float(dict[centroid][i]) - min_angle) / partition))if k == 9:k = 8print('---------------------------')print(dict[centroid][i])v1[k] = v1.get(k, 0) + 1# https://stackoverflow.com/questions/4674473/valueerror-setting-an-array-element-with-a-sequence# 避免数组长度不一致# norm = np.linalg.norm(dict[centroid][i])# # data_tri_list.append(norm)v1_list = list(v1.values())print('v1_list', v1_list)# total = sum(v1.values(), 0.0)# a = {j: v / total for j, v in v1.items()}dict_angle_histogram[centroid] = v1_listdata_tri_list = list(v1.values())data_list.append(data_tri_list)return dict_angle_histogram, data_listdict_angle_histogram_1, data_list_1 = get_normal_angle_histogram(normals_angle_dict)
print('------------------------------')
print(dict_angle_histogram_1)
"""
绘制直方图
data:必选参数，绘图数据
bins:直方图的长条形数目，可选项，默认为10
normed:是否将得到的直方图向量归一化，可选项，默认为0，代表不归一化，显示频数。normed=1，表示归一化，显示频率。
facecolor:长条形的颜色
edgecolor:长条形边框的颜色
alpha:透明度
"""
# 将bins=9，按9块对角度进行统计绘制直方图
fig1 = plt.figure(figsize=(12, 12))
for i, angle_histogram_list in enumerate(dict_angle_histogram_1.values()):plt.subplot(2, 3, i + 1)plt.hist(angle_histogram_list, bins=9, normed=0, density=None, facecolor="blue", edgecolor="black", alpha=0.7)# x_major_locator = MultipleLocator(2)# # 把x轴的刻度间隔设置为1，并存在变量里# y_major_locator = MultipleLocator(10)# 把y轴的刻度间隔设置为10，并存在变量里ax = plt.gca()# ax.xaxis.set_major_locator(x_major_locator)# ax.xaxis.set_major_locator(ticker.MultipleLocator(base=5))# ax.yaxis.set_major_locator(y_major_locator)# ax.yaxis.set_major_locator(ticker.MultipleLocator(base=40))# plt.xlim(29, 51)# plt.ylim(0, 80)plt.title(i)
plt.suptitle("histogram1")
plt.show()# 优化上边的绘制，bins=[ 0 10 20 30 40 50 60 70 80 90],按区间对角度进行统计绘制
fig1 = plt.figure(figsize=(12, 12))
for i, angle_list in enumerate(normals_angle_dict.values()):plt.subplot(2, 3, i + 1)bins = np.arange(0, 91, 10)  # 设置连续的边界值，即直方图的分布区间[0,10],[10,20]...# 直方图会进行统计各个区间的数值plt.hist(angle_list, bins=bins, normed=0, density=None, facecolor="red", edgecolor="black", alpha=0.7)ax = plt.gca()plt.xticks(bins)plt.title(i)
plt.suptitle("histogram bins=[0~90]")
plt.show()print('test data')
print(normals_angle_dict[(0, 0, 1)])
# for centroids in normals_angle_dict.keys():
#     s = pd.cut(normals_angle_dict[centroids], bins=[x for x in np.arange(0, 100, 10)])
#     print(s.value_counts())
#     values = s.value_counts().values
#
#     print('pandas values', centroids, values)
#     labels = [str(i) + '-' + str(i + 10) for i in np.arange(0, 90, 10)]
#     # print(labels)
#     # ['0-1', '1-2', '2-3', '3-4', '4-5', '5-6', '6-7', '7-8', '8-9', '9-10']
#     df = pd.DataFrame(values, index=labels)
#     df.plot(kind='bar', legend=False)
#     plt.xticks(rotation=0)
#     plt.ylabel('频数')
#     plt.xlabel('区间')
#     plt.show()# 构建pandas DataFrame需要的字典
dict_angles = {}
for i, centroids in enumerate(normals_angle_dict.keys()):s = pd.cut(normals_angle_dict[centroids], bins=[x for x in np.arange(0, 100, 10)])print(s.value_counts())values = s.value_counts().valuesprint('pandas values', centroids, values)labels = [str(i) + '-' + str(i + 10) for i in np.arange(0, 90, 10)]dict_angles[i] = values# 以dict构建DataFrame
list = [i for i in range(len(dict_angles))]
labels = [str(i) + '-' + str(i + 10) for i in np.arange(0, 90, 10)]
df = pd.DataFrame(dict_angles, index=labels, columns=list)
df.plot(kind='bar',y=list,  # 6个变量可视化# subplots=True,  # 多子图并存# layout=(2, 3),  # 子图排列2行3列title='angle histogram',sharex=True,  # 共享xy轴sharey=True,  # 共享xy轴figsize=(15, 10),legend=True)
plt.tight_layout()
plt.xticks(rotation=0)
plt.ylabel('频数')
plt.xlabel('区间')
plt.show()

参考

计算俩个法向量的夹角可参考 http://mp.ofweek.com/it/a456714148137
df.plot绘图