在 Python 3 中使用行进立方体进行点云三角测量

Question

我正在开发一个 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。

我更喜欢使用这种方法的现有实现，所以我尝试了scikit-image 和Open3d，但是这两个 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，而且由于文档没有说明函数的输入格式，所以我的想法已经不多了。

这些是我想要的 sn-ps，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)

open3d

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pcd_to_volume 函数的方法。我不喜欢另一个库，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 之类的库，但我也会考虑 github 项目。

Answer 1

您是否知道另一种适用于原始点云数据的 [行进立方体算法] 实现？

Hoppe 的论文Surface reconstruction from unorganized points 可能包含您需要的信息，它是open sourced。

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

---

据我所知，marching cubes 通常用于从三维离散标量场（即体积的意思）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 的算法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。这可以被视为对您的实现pcd_to_volume，这不是唯一的方法！

如果你只有原始点云，那么情况就有点受限了。如您所见，Poisson reconstruction 和Screened Poisson reconstruction 算法都以自己的方式实现pcd_to_volume（它们高度相关）。但是，它们需要额外的点法线信息，并且法线必须始终定向。 （对于一致的方向，您可以阅读this question）。

虽然一些基于 Delaunay 的算法（它们不使用行进立方体），如 alphaShape 和 this 可能不需要点法线作为输入，但对于具有复杂拓扑的表面，很难获得由于方向问题，结果令人满意。而graph cuts method 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。您可以使用TSDF 构建良好的表面网格。 Open3D 有already implemented that。