1. 点云的读取、可视化、保存
在这里是读取的点云的pcd文件，代码如下：
import open3d as o3d
if __name__ == '__main__':
#1.点云读取
point= o3d.io.read_point_cloud("E:\daima\huawei\img\change2.pcd")
print("====>",point)
#2.点云可视化
o3d.visualization.draw_geometries([point])
# 4.保存点云
o3d.io.write_point_cloud("1.pcd", point, write_ascii=True)2. 常见的点云处理方法
2.1 显示点云法向量
代码如下：
#3.显示法向量
radius=0.01 # 搜索半径
max_nn=30 # 邻域内用于估算法线的最大点数
pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius,max_nn))
o3d.visualization.draw_geometries([pcd],window_name="o3d",width=1920,height=1080,
#left=50,top=50,point_show_normal=True)2.2 素体质心下采样
原理：体素下采样(Voxel downsampling)采用规则体素格网从输入点云中创建分布均匀的下采样点云，是许多点云处理任务的预处理步骤。该算法主要分为两步：创建指定大小(分辨率)的体素网络；当点云中至少有一个点落在某个体素内，则认为该体素被占用，体素的颜色(属性)是该体素内所有点的平均值。
计算如下：
代码如下：
downpcd = point.voxel_down_sample(voxel_size=0.05)#voxel_size表示体素网格的距离，对该距离范围内的所有点求平均值，即为密度为1的质心
o3d.visualization.draw_geometries([downpcd])2.3 点云的正态分布
原理：离散的数据匹配，包括图像，点云等数据，很难基于匹配的连续的评估函数，使之难以匹配到一个可微的优化框架中求解。为了解决该问题，我们希望能够为离散的数据形式建立一个相对连续的表示形式，并得到连续可导的评价函数。基于此，NDT被提出。其具体步骤为：
1). 将离散数据划分在不同的区域中；
2). 在每一个区域，求中点：
3). 计算子区域中基于每一个点到中点差值的协方差矩阵：
4). 得到针对于离散数据的NDT表示形式N，具体表示为：
可以看到，NDT的形式是一个基于概率分布的表示形式。下图给出一个直观的示例，来实现对NDT的可视化。
之前我们提到，之所以建立这样一种形式，是为了得到一个针对匹配评估的一个连续的函数形式，以方便建立优化。基于NDT的表示形式，这个评估函数就能够被构建：
Score代表我们希望得到的评估函数，p是自变量，也是匹配希望获得的变换矩阵。与ICP一致，p由旋转与平移组成：
整个NDT算法的步骤可以精简为6步：
1). 对一个点云P1或图像建立其NDT表示形式；
2). 初始化参数p（赋0或某一个间隔数据）；
3). 将另外一个准备匹配的点云P2或图像的点按照p变换；
4). 计算Score (xi为P2的一个点，xi‘为xi经过p变换后的位置),如果满足退出条件，则退出；
5). 使用牛顿法建立对p的更新；
6). Loop step 3。
在交互页面，可以通过N查看点法线，+,-控制法线长度。
作为点云的基本操作之一，点云正态估计通过指定算法参数估测每个点可能的法向量，estimate_normals查找指定搜索半径内的临近点，通过这些临近点的协方差计算其主轴，从而估计法向量。正常情况下会产生两个方向相反的法向量，在不知道几何体的全局结构下，两者都可以是正确的。Open3D会尝试调整法线的方向，使其与原始法线对齐。
代码如下：
downpcd.estimate_normals(
search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
o3d.visualization.draw_geometries([downpcd],
zoom=0.3412,
front=[0.4257, -0.2125, -0.8795],
lookat=[2.6172, 2.0475, 1.532],
up=[-0.0694, -0.9768, 0.2024],
point_show_normal=True)2.4 引导滤波
原理：引导滤波 Guilter Filter：主要作用是消除或减少噪声，同时保留对目标有用的关键信息。引导滤波器通常会利用一部分已经分类或者标记的点云数据（通常被称为“引导点”或“引导数据”）来指导滤波过程，通过优化这些引导点的分布来达到滤波的效果。这种方法可以有效地减少滤波过程中的噪声，同时保留对目标有用的关键信息。
具体来说，引导滤波器可以用于以下情况：
1.减少噪声：引导滤波器通过利用一部分已知的、可靠的点云数据来指导滤波过程，可以有效地减少噪声的影响，提高点云的精度和准确性。
2.简化数据结构：引导滤波器可以自动地选择并删除不重要的点，从而简化点云数据结构，降低数据处理和分析的难度。
3.提高特征提取的准确性：引导滤波器可以通过去除无关或冗余的点，提高后续特征提取的准确性，从而更好地进行3D物体识别、检测和建模等任务。
代码如下：
import open3d as o3d
import numpy as np
if __name__ == '__main__':
# 1.首先读取原始点云和求异点云
point= o3d.io.read_point_cloud("E:\daima\huawei\img\change2.pcd",remove_nan_points=True,remove_infinite_points=True)
point2 = o3d.io.read_point_cloud("1.pcd", remove_nan_points=True,
remove_infinite_points=True)
dist = point2.compute_point_cloud_distance(point)
idx = [i for i, distance in enumerate(dist) if distance > 0.5]
# 最后将点云中相同的部分和不同的部分分别取出来进行显示
same_part = point2.select_by_index(idx)
diff_part = point2.select_by_index(idx, invert=True)
same_part.paint_uniform_color([0, 0, 1])
diff_part.paint_uniform_color([1, 0, 0])
o3d.visualization.draw_geometries([same_part, diff_part])
