點云可視化
關注創建者：匿名 創建時間：2026-01-05
點云可視化的實例教程
在Wolfram語言中，可以使用 Geo Graphics 可視化著陸場地和艾特肯撞擊盆地。使用浮雕圖示法可以讓著陸點周邊的地理環境更容易被展現。
傳感器標定模塊
傳感器標定模塊，可以快速便捷地通過可視化交互，對相機、雷達、多傳感器間的相關參數進行標定，獲得標定數據及文件，滿足在線及離線使用需求。
激光雷達外參數標定
多激光雷達標定
相機內外參數標定
激光雷達與相機聯合標定
感知計算模塊
激光雷達點云、相機圖像等傳感器原始數據，經過感知計算模塊，可以獲得目標級數據信息。
動態目標檢測
靜態場景檢測
可行駛區域檢測
相機雷達融合目標檢測
統一數據集
全局信息輸出
激光雷達3D目標標注模塊
激光雷達3D目標標注模塊可以加載預標注標簽，對目標信息進行交互式增刪改查，生成標簽數據，用于使用者后續的訓練、測試、測評等需求。
顯示目標及屬性
視角選擇
自動關聯標注
點云可視化操作
便捷式人機交互操作
傳感器目標感知能力測評模塊
該模塊可對待測傳感器的目標檢測和跟蹤能力進行快速測評，獲得能力指標，滿足使用者在產品對標、性能驗證等環節的工具需求。
展開 Lidar數據輸入
Lidar的工作原理，是通過激光照射到物體表面接收到反射光，從而計算反射點相對發射器的空間坐標。不論是哪種類型、哪個廠家的Lidar，最終輸出的數據本質上都是大量反射點的信息集合。這些空間中大量的反射點集合在一起就是我們經常稱呼的點云（point cloud）。
圖4. 點云可視化圖像
來源：Velodyne官網 https://velodynelidar.com/
上圖是將Lidar點云可視化以后的結果，為了直觀，圖中用了顏色梯度來表示點的距離。Lidar設備端口發出來的原始數據并不是我們在圖中看到的這樣，感知模塊需要對原始數據進行處理才能得到合適的數據形式。
這里先介紹一下點的描述參數。如下圖所示，單個反射點的信息主要包括空間信息、時間戳和反射強度。其中，由于Lidar的工作原理不同，機械旋轉式Lidar通常會使用徑向距離（radius）、俯仰角（elevation）、方位角（azimuth）來表示點的空間位置，而半固態/固態Lidar，通常使用笛卡爾坐標系下xyz來表示點的空間位置。
圖5. Lidar反射點的信息
雖然不同的Lidar設備廠家描述點云的數據形式不同，發送出來的格式不同，但究其本質都是對點云的數據描述。因此，各大廠商的Lidar發送出來的數據結構都是類似的。在此，我們以Velodyne 16線Lidar為例講述。
下圖所示是Velodyne 16線Lidar在單回波模式下發送的數據結構。每一個區域里都存放著固定字節大小的數據，整個區域組成了數據包（Data Block）。
展開 1.點云庫pcl的配置，可以為你配置成功
2.點云數據的讀寫：txt, las, laz, pcd, ply
3.點云的數據結構kd-tree
4.點云的數據結構八叉樹
5、點云的可視化
6.點云的濾波
7.點云深度圖像
8.點云關鍵點提取
9.采樣一致性算法（RANSAC）
10.點云特征描述與提取
11點云配準
12.點云分割
13.點云曲面重建
有疑問的可以私聊，為你解答學習工作中的問題。
歡迎關注，需要點云庫PCL電子版的可以留言和私信，關注送電子版《點云庫PCL學習教程》。
展開 在飛行高度為 150m 的市區，研究人員掃描了 845,669 個激光雷達點。在同一個空中平臺上，一臺攝像機拍攝了 343 幀。應用 SfM 技術生成的點云比單獨的激光雷達大七倍，總共有 600 萬個點（圖 2）。
圖 2 的視覺定性分析使用形狀、形式和密度等標準，而定量方法使用點云密度。不同數據集的點云可視化在點密度、細節和噪聲方面顯示出明顯的差異。由于攝影測量點云的噪聲和各種不確定性，使用攝影測量和激光雷達點云檢測建筑物邊界具有局限性。此外，由于激光雷達技術是一種基于激光束的主動遙感技術，它可以檢測電線、圍欄等細長結構。
建筑物邊界的線性結構的視覺分析在激光雷達中具有非常準確的幾何形式。相比之下，在 SfM 中，建筑物和高大的樹木受到陰影的影響并且沒有點云區域。激光雷達和 SfM 之間的差異是由于建筑物和樹木造成的陰影以及樹木在沒有葉子時被忽略（圖 2）。ICP 算法通過填充激光雷達點云中的這些空白區域以在合并的點云中進行插值來解決這一問題。
在 SfM 中，由于地面采樣距離 (GSD) 為 3 厘米，因此檢測到了屋頂上的灌木、小喬木、堤防和太陽能電池板。合并的數據集還可以可視化這些城市結構。SfM 方法不能穿透植被覆蓋。
圖 2：城市區域的激光雷達、SfM 和合并點云的示例。
生成的融合點云通過從激光雷達數據集中獲取準確性來提高 SfM 點云的質量，并通過增加 SfM 點云的密度來提高激光雷達點云的質量（Doumit，2020）。
點云顏色增強
中性密度濾光片因其不影響通過它們的光的顏色而得名。使用 ND 濾鏡可以將光線減少一檔、兩檔、三檔或更多檔，從而實現較慢的快門速度（Bryan 2004）。
展開 
點云可視化的相關專題、標簽、搜索
點云可視化的最新內容
1.點云庫pcl的配置，可以為你配置成功
2.點云數據的讀寫：txt, las, laz, pcd, ply
3.點云的數據結構kd-tree
4.點云的數據結構八叉樹
5、點云的可視化
6.點云的濾波
7.點云深度圖像
8.點云關鍵點提取
9.采樣一致性算法（RANSAC）
10.點云特征描述與提取
11點云配準
12.點云分割
13.點云曲面重建
有疑問的可以私聊，為你解答學習工作中的問題
DSE使用了MATLAB的兩個工具箱(toolbox)，一個是Computer Vision Toolbox (CVT)，可以對3D點云進行快速的可視化；另一個是Statistics and Machine Learning Toolbox (SMLT)，SMLT使用了dbscan功能，一種機器學習的聚類算法，我們在自然語言處理中曾經使用過dbscan算法【BERT模型的應用回顧(階段性總結)；BERTopic
左圖：點云提取的用戶界面；
中間：對森林環境中提取的點云的可視化，由OMPL找到的所有無碰撞路徑（綠線），并求解了A和B之間的最短路徑（紅線）；
右圖：森林環境中最短路徑的鳥瞰圖。
顯示目標及屬性
視角選擇
自動關聯標注
點云可視化操作
便捷式人機交互操作
傳感器目標感知能力測評模塊
該模塊可對待測傳感器的目標檢測和跟蹤能力進行快速測評，獲得能力指標，滿足使用者在產品對標、性能驗證等環節的工具需求
點云可視化圖像
來源：Velodyne官網 https://velodynelidar.com/
上圖是將Lidar點云可視化以后的結果，為了直觀，圖中用了顏色梯度來表示點的距離。Lidar設備端口發出來的原始數據并不是我們在圖中看到的這樣，感知模塊需要對原始數據進行處理才能得到合適的數據形式。
這里先介紹一下點的描述參數。
全新：點云可視化
使用了點云（一種排列在字段中的數據類型）的模塊現在可以在3D視圖窗口中可視化該數據。新的步距參數使您能夠減少所顯示的點數，這有助于加快大量數據的顯示速度。
附加功能模塊
通過學習新的API:Solver功能，使用和擴展Rocky所提供的外部模塊。
不同數據集的點云可視化在點密度、細節和噪聲方面顯示出明顯的差異。由于攝影測量點云的噪聲和各種不確定性，使用攝影測量和激光雷達點云檢測建筑物邊界具有局限性。此外，由于激光雷達技術是一種基于激光束的主動遙感技術，它可以檢測電線、圍欄等細長結構。
建筑物邊界的線性結構的視覺分析在激光雷達中具有非常準確的幾何形式。相比之下，在 SfM 中，建筑物和高大的樹木受到陰影的影響并且沒有點云區域。
圖6.點云的可視化：（a）真實點云，（b）來自SC1的模擬點云，（c）來自 SC2 的模擬點云。
b. 如上所述，可將占據柵格視為傳感器模型驗證的抽象級別。在這里我們還可以將掃描網格（SG）當作更高的抽象級別。掃描網格是對點云所生成的占據柵格的單次命中記錄，而占據柵格則是隨時間累積的掃描網格。
2019年1月，中國成功地向月球的背面發射了著陸器和月球車。月球車降落在直徑為2500公里的艾特肯撞擊盆地。該盆地是太陽系中最大的撞擊結構之一。在Wolfram語言中，可以使用 Geo Graphics 可視化著陸場地和艾特肯撞擊盆地。使用浮雕圖示法可以讓著陸點周邊的地理環境更容易被展現。
With[{
change4 = GeoPosition[{-45.5, 177.6}]
