相对于参考点云计算点的距离

Question

使用最近邻距离可以简单地计算点云与点云之间的距离。问题在于，最近邻不一定是云所代表的表面上实际最近的点。特别是在我们的情况下：参考云具有低密度。在这种情况下，使用插值技术（伪代码）：

from scipy import interpolate
import numpy as np

ref_point_cloud = np.load("ref_point_cloud.npy").item() # Grid
f = interpolate.interp2d(ref_point_cloud['x'], ref_point_cloud['y'], ref_point_cloud['z'], kind='linear', copy=False, bounds_error=True)

#### Read dense point cloud (point_cloud_dense) code here ####

for point in point_cloud_dense:
    distance = abs(f(point(x), point(y)) - ref_point_cloud['z'])

插值看起来是一种耗时的技术，但它是可行的。有没有更加高效计算点到参考点云距离的技术呢？

最终目标：使用只包含地面级点的参考点云，从密集MLS点云中删除地面点。一个距离阈值将决定一个点是否属于地表。

Refs: https://www.cloudcompare.org/doc/wiki/index.php?title=Cloud-to-Cloud_Distance https://pointclouds.org/documentation/tutorials/kdtree_search.html

- Mvz

Answer 1

我认为你的方法是正确的，但你需要将interpolate.interp2d向量化。假设point_cloud_dense的类型是pcl.PointCloud.PointXYZ：

distances = abs(f(point_cloud_dense.x, point_cloud_dense.y) - ref_point_cloud['z'])

注意： point_cloud_dense.x / point_cloud_dense.y 返回一个一维的numpy数组。

- Mark Loyman

Answer 2

您可以获取k个最近邻居，对其进行平面拟合并计算点到平面的距离。

- mathieu.letombe