在Python 3中使用行进立方体进行点云三角测量

Question

我正在开发 3D 重建系统，并希望使用 Python 3 从注册的点云数据生成三角形网格。我的对象不是凸的，因此行进立方体算法似乎是解决方案。

我更喜欢使用此类方法的现有实现，因此我尝试了scikit-image和Open3d，但这两个 API 都不接受原始点云作为输入（请注意，我不是这些库的专家）。我转换数据的尝试失败了，并且我已经没有想法了，因为文档没有阐明函数的输入格式。

这些是我想要的片段，这pcd_to_volume是我需要的。

scikit 图像

import numpy as np
from skimage.measure import marching_cubes_lewiner

N = 10000
pcd = np.random.rand(N,3)

def pcd_to_volume(pcd, voxel_size):
    #TODO

volume = pcd_to_volume(pcd, voxel_size=0.05)

verts, faces, normals, values = marching_cubes_lewiner(volume, 0)

开放3D

import numpy as np
import open3d

N = 10000
pcd = np.random.rand(N,3)

def pcd_to_volume(pcd, voxel_size):
    #TODO

volume = pcd_to_volume(pcd, voxel_size=0.05)

mesh = volume.extract_triangle_mesh()

我无法找到正确编写该pcd_to_volume函数的方法。我不喜欢图书馆，所以这两种解决方案对我来说都很好。

您对正确转换我的数据有什么建议吗？点云是一个Nx3矩阵，其中dtype=float.

您知道另一种适用于原始点云数据的[行进立方体算法]实现吗？我更喜欢 scikit 和 open3d 这样的库，但我也会考虑 github 项目。

Answer 1

您知道另一种适用于原始点云数据的[行进立方体算法]实现吗？

Hoppe的论文《从无组织点进行表面重建》可能包含您需要的信息，并且它是开源的。

最新的 Open3D 似乎包含表面重建算法，如alphaShape、ballPivoting和PoissonReconstruction。

据我所知，行进立方体通常用于从三维离散标量场（这就是你所说的体积）中提取等值面的多边形网格。该算法不适用于原始点云数据。

Hoppe 算法的工作原理是首先生成带符号的距离函数场（SDF 体积），然后将其传递给行进立方体。这可以看作是你的一种实现pcd_to_volume，但它不是唯一的方法！

如果你只有原始点云，那么情况就有点受限了。正如您可能看到的，泊松重建和筛选泊松重建算法都pcd_to_volume以自己的方式实现（它们高度相关）。然而，它们需要额外的点法线信息，并且法线必须一致定向。（为了保持一致的方向，您可以阅读这个问题）。

虽然一些基于Delaunay的算法（它们不使用行进立方体）如 alphaShape 并且可能不需要点法线作为输入，但对于具有复杂拓扑的曲面，由于方向问题很难获得令人满意的结果。图割方法可以使用可见性信息来解决这个问题。

话虽如此，如果您的数据来自深度图像，您通常会获得可见性信息。并且您可以使用TSDF构建良好的表面网格。Open3D 已经实现了这一点。