python點雲轉深度圖

⑴ 求雲模型評價雲圖的python代碼，做出的圖就像下面圖一樣的

你把單做一個的代碼貼出來，我可以幫你合到一個圖上。

先看結果：

Ex=[0,0.125,0.25,0.375,0.5,0.625,0.75,0.875,1]

fig = plt.figure()

for i in Ex:

res=forwardCloud(i,0.04,0.005,1000)

x=[x[0] for x in res]

y=[x[1] for x in res]

plt.scatter(x,y,color='red',s=3)

plt.show()

希望可以幫到你

⑵ 如何從點雲創建深度圖像

首先，在PCL（Point Cloud Learning）中國協助發行的書提供光碟的第9章例1文件夾中，打開名為range_image_creation.cpp的代碼文件。
解釋說明
下面來解析打開源代碼中的關鍵語句。
#include <pcl/range_image/range_image.h> //深度圖像頭文件
int main (int argc, char** argv) {
pcl::PointCloud<pcl::PointXYZ> pointCloud; //定義點雲對象
for (float y=-0.5f; y<=0.5f; y+=0.01f) { //循環產生點數據
for (float z=-0.5f; z<=0.5f; z+=0.01f) {
pcl::PointXYZ point;
point.x = 2.0f - y;
point.y = y;
point.z = z;
pointCloud.points.push_back(point); //循環添加點數據到點雲對象
}
}
pointCloud.width = (uint32_t) pointCloud.points.size();
pointCloud.height = 1; //設置點雲對象的頭信息
這段程序首先創建一組數據作為點雲的數據內容，再設置文件頭的信息，整個實現生成一個呈矩形形狀的點雲。
float angularResolution = (float) ( 1.0f * (M_PI/180.0f)); // 按弧度1度
float maxAngleWidth = (float) (360.0f * (M_PI/180.0f)); // 按弧度360.0度
float maxAngleHeight = (float) (180.0f * (M_PI/180.0f)); // 按弧度180.0度
Eigen::Affine3f sensorPose = (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f,0.0f); //採集位置
pcl::RangeImage::CoordinateFrame coordinate_frame =pcl::RangeImage::CAMERA_FRAME; //深度圖像遵循的坐標系統
float noiseLevel=0.00;
float minRange = 0.0f;
int borderSize = 1;
這部分定義了創建深度圖像時需要的設置參數，將角度解析度定義為1度，意味著由鄰近的像素點所對應的每個光束之間相差1度，maxAngleWidth=360和maxAngleHeight=180意味著，我們進行模擬的距離感測器對周圍的環境擁有一個完整的360度視角，用戶在任何數據集下都可以使用此設置，因為最終獲取的深度圖像將被裁剪到有空間物體存在的區域范圍。但是，用戶可以通過減小數值來節省一些計算資源，例如：對於感測器後面沒有可以觀測的點時，一個水平視角為180度的激光掃描儀，即maxAngleWidth=180就足夠了，這樣只需要觀察距離感測器前面就可以了，因為後面沒有需要觀察的場景。sensorPose定義了模擬深度圖像獲取感測器的6自由度位置，其原始值為橫滾角roll、俯仰角pitch、偏航角yaw都為0，coordinate_frame=CAMERA_FRAME說明系統的X軸是向右的，Y軸是向下的，Z軸是向前的，另外一個選擇是LASER_FRAME，其X軸向前，Y軸向左，Z軸向上。noiseLevel=0是指使用一個歸一化的Z緩沖器來創建深度圖像，但是如果想讓鄰近點集都落在同一個像素單元，用戶可以設置一個較高的值，例如noiseLevel=0.05可以理解為，深度距離值是通過查詢點半徑為125px的圓內包含的點用來平均計算而得到的。如果minRange>0，則所有模擬器所在位置半徑minRange內的鄰近點都將被忽略，即為盲區。在裁剪圖像時，如果borderSize>0，將在圖像周圍留下當前視點不可見點的邊界。
pcl::RangeImage rangeImage;
rangeImage.createFromPointCloud(pointCloud, angularResolution, maxAngleWidth, maxAngleHeight, sensorPose, coordinate_frame, noiseLevel, minRange, borderSize);
std::cout << rangeImage << "\n";
其餘的代碼是使用那些用戶給定的參數，從點雲創建深度圖像，並且在終端下列印出一些信息。
深度圖像繼承於PointCloud類，它的點類型具有x，y，z和range距離欄位，共有三種類型的點集，有效點集是距離大於零的點集，當前視點不可見點集x=y=z=NAN且值域為負無窮大，遠距離點集x=y=z=NAN且值域為無窮大。
編譯和運行程序
利用光碟提供的CMakeLists.txt文件，在cmake中建立工程文件，並生成相應的可執行文件。生成執行文件後，就可以運行了，在cmd中鍵入命令：
...>range_image_creation.exe

⑶ Kinect 深度圖像 轉 三維坐標

Khoshelham K, Elberink S O. Accuracy and resolution of kinect depth data for indoor mapping applications[J]. Sensors, 2012, 12(2): 1437-1454.
這篇期刊講到原理，但是不知道具體函數到底是什麼。
原理是根據一個參考平面，和圖像上點的坐標來計算的

⑷ python 如何將三維數組轉化為點雲三維數組中只有0或者1

使用reshape命令對矩陣進行整形。使用方式reshape(X,m,n...)
改進方式:
a(:,:,1)=[1
2
3;4
5
6;7
8
9];
a(:,:,2)=[0
0
1;0
1
0;1
0
0];
a(:,:,3)=3
for
j=1:3
k=a(j,:,:);
k=reshape(k,3,3);%更改位置，3,3按照自己的矩陣變化，但要保證數目相同
[x,y]=eig(k);%x:特徵向量;y:特徵值。後期自己再改正哈程序
end

⑸ 怎樣用python實現深度學習

基於Python的深度學習庫、深度學習方向、機器學習方向、自然語言處理方向的一些網站基本都是通過Python來實現的。
機器學習，尤其是現在火爆的深度學習，其工具框架大都提供了Python介面。Python在科學計算領域一直有著較好的聲譽，其簡潔清晰的語法以及豐富的計算工具，深受此領域開發者喜愛。
早在深度學習以及Tensorflow等框架流行之前，Python中即有scikit-learn，能夠很方便地完成幾乎所有機器學習模型，從經典數據集下載到構建模型只需要簡單的幾行代碼。配合Pandas、matplotlib等工具，能很簡單地進行調整。
而Tensorflow、PyTorch、MXNet、Keras等深度學習框架更是極大地拓展了機器學習的可能。使用Keras編寫一個手寫數字識別的深度學習網路僅僅需要寥寥數十行代碼，即可藉助底層實現，方便地調用包括GPU在內的大量資源完成工作。
值得一提的是，無論什麼框架，Python只是作為前端描述用的語言，實際計算則是通過底層的C/C++實現。由於Python能很方便地引入和使用C/C++項目和庫，從而實現功能和性能上的擴展，這樣的大規模計算中，讓開發者更關注邏輯於數據本身，而從內存分配等繁雜工作中解放出來，是Python被廣泛應用到機器學習領域的重要原因。

⑹ 你好，問一下，現在你知道如何保存kinect的深度圖像-並用pcl轉化為點雲pcd格式了嗎

PCL的話很簡單啊，裡面直接由函數可以存PCD文件的，pcl::PCDWriter的write函數