點雲數據分為哪些類型

A. 點雲數據可以用來干什麼

點雲數據可以用來測繪、電力、建築、工業、汽車、游戲、刑偵等相當多的領域。且術業有專攻，不同激光產品所採集的點雲應用方向也是天差地別的。經過小海雲多年在測繪、建築、電力和工業等領域的三維激光應用經驗。

地形圖測繪三維激光掃描技術在大比例尺地形測繪中的應用，在測區面積較大時能夠快速而精確地採集大量點雲數據，有效節約人力物力，縮短工期，提高工作效率和經濟效益；在復雜地形和危險測區，能夠不直接接觸危險目標，詳細、快速地進行外業數據採集，既保證了人員和設備的安全，又保證了成圖精度要求，並同時提高工作效率。

點雲數據除了具有幾何位置以外，有的還有顏色信息。顏色信息通常是通過相機獲取彩色影像，然後將對應位置的像素的顏色信息（RGB）賦予點雲中對應的點。強度信息的獲取是激光掃描儀接收裝置採集到的回波強度，此強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

B. 什麽是點雲\點雲數據

點雲（Point Cloud）是在同一空間參考系下可以表達目標空間分布的XYZ坐標集合，還可以包括如激光反射強度或RGB真彩色等其他信息(Mills and Barber 2003)。
點雲數據結構（ASCII）:
X Y Z Intensity R G B
100.1 212.3 20.45 245 233 12 255
...

C. 如何獲取點雲PointCloud數據

一：什麼是點雲數據
點雲數據是指在一個三維坐標系統中的一組向量的集合。這些向量通常以X,Y,Z三維坐標的形式表示，而且一般主要用來代表一個物體的外表面形狀。不經如此，除（X,Y,Z）代表的幾何位置信息之外，點雲數據還可以表示一個點的RGB顏色，灰度值，深度，分割結果等。
Eg..Pi={Xi, Yi, Zi,…….}表示空間中的一個點，
則Point Cloud={P1, P2, P3,…..Pn}表示一組點雲數據。
二：點雲數據的獲得
大多數點雲數據是由3D掃描設備產生的，例如激光雷達(2D/3D)，立體攝像頭(stereo camera)，越渡時間相機(time-of-flight camera) 。這些設備用自動化的方式測量在物體表面的大量的點的信息，然後用某種數據文件輸出點雲數據。這些點雲數據就是掃描設備所採集到的。
三：點雲數據的用途
作為3D掃描的結果，點雲數據有多方面的用途，包括為製造部件，質量檢查，多元化視覺，卡通製作，三維制圖和大眾傳播工具應用等創建3D CAD模型。

D. 點雲概念與點雲處理

點雲概念

點雲與三維圖像的關系 ：三維圖像是一種特殊的信息表達形式，其特徵是表達的空間中三個維度的數據，表現形式包括：深度圖（以灰度表達物體與相機的距離），幾何模型（由CAD軟體建立），點雲模型（所有逆向工程設備都將物體采樣成點雲）。和二維圖像相比，三維圖像藉助第三個維度的信息，可以實現天然的物體——背景解耦。點雲數據是最為常見也是最基礎的三維模型。點雲模型往往由測量直接得到，每個點對應一個測量點，未經過其他處理手段，故包含了最大的信息量。這些信息隱藏在點雲中需要以其他提取手段將其萃取出來，提取點雲中信息的過程則為三維圖像處理。

點雲的概念 ：點雲是在同一空間參考系下表達目標空間分布和目標表面特性的海量點集合，在獲取物體表面每個采樣點的空間坐標後，得到的是點的集合，稱之為「點雲」（Point Cloud）。

點雲的獲取設備 ：RGBD設備是獲取點雲的設備，比如PrimeSense公司的PrimeSensor、微軟的Kinect、華碩的XTionPRO。

點雲的內容 ：根據激光測量原理得到的點雲，包括三維坐標（XYZ）和激光反射強度（Intensity），強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

根據攝影測量原理得到的點雲，包括三維坐標（XYZ）和顏色信息（RGB）。

結合激光測量和攝影測量原理得到點雲，包括三維坐標（XYZ）、激光反射強度（Intensity）和顏色信息（RGB）。

點雲的屬性 ：空間解析度、點位精度、表面法向量等。

點雲存儲格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成為LiDAR數據的工業標准格式，LAS文件按每條掃描線排列方式存放數據,包括激光點的三維坐標、多次回波信息、強度信息、掃描角度、分類信息、飛行航帶信息、飛行姿態信息、項目信息、GPS信息、數據點顏色信息等。

C–class（所屬類）

F一flight（航線號）

T一time（GPS時間）

I一intensity（回波強度）

R一return（第幾次回波）

N一number of return（回波次數）

A一scan angle（掃描角）

RGB一red green blue（RGB顏色值）

點雲的數據類型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成員：float x，y，z;表示了xyz3D信息，可以通過points[i].data[0]或points[i].x訪問點X的坐標值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成員：float x, y, z, intensity; 表示XYZ信息加上強度信息的類型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成員：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存儲為一個float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成員：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存儲的。

（5） PointXY 成員：float x,y;簡單的二維x-y點結構

（6）Normal結構體：表示給定點所在樣本曲面上的法線方向，以及對應曲率的測量值，用第四個元素來佔位，兼容SSE和高效計算。

點雲的處理

點雲處理的三個層次 ：Marr將圖像處理分為三個層次，低層次包括圖像強化，濾波，關鍵點/邊緣檢測等基本操作。中層次包括連通域標記（label），圖像分割等操作。高層次包括物體識別，場景分析等操作。工程中的任務往往需要用到多個層次的圖像處理手段。

PCL官網對點雲處理方法給出了較為明晰的層次劃分，如圖所示。

此處的common指的是點雲數據的類型，包括XYZ，XYZC，XYZN，XYZG等很多類型點雲，歸根結底，最重要的信息還是包含在pointpcl::point::xyz中。可以看出，低層次的點雲處理主要包括濾波（filters），關鍵點（keypoints）/邊緣檢測。點雲的中層次處理則是特徵描述（feature），分割（segmention）與分類。高層次處理包括配准（registration），識別（recognition）。可見，點雲在分割的難易程度上比圖像處理更有優勢，准確的分割也為識別打好了基礎。

低層次處理方法:

①濾波方法：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。②關鍵點：ISS3D、Harris3D、NARF，SIFT3D

中層次處理方法：

①特徵描述：法線和曲率的計算、特徵值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割與分類：

分割：區域生長、Ransac線面提取、全局優化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析

分類：基於點的分類，基於分割的分類，基於深度學習的分類（PointNet，OctNet）

高層次處理方法：

①配准：點雲配准分為粗配准（Coarse Registration）和精配准（Fine Registration）兩個階段。

精配準的目的是在粗配準的基礎上讓點雲之間的空間位置差別最小化。應用最為廣泛的精配准演算法應該是ICP以及ICP的各種變種（穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配準是指在點雲相對位姿完全未知的情況下對點雲進行配准，可以為精配准提供良好的初始值。當前較為普遍的點雲自動粗配准演算法包括基於窮舉搜索的配准演算法和基於特徵匹配的配准演算法。

基於窮舉搜索的配准演算法：遍歷整個變換空間以選取使誤差函數最小化的變換關系或者列舉出使最多點對滿足的變換關系。如RANSAC配准演算法、四點一致集配准演算法（4-Point Congruent Set, 4PCS）、Super4PCS演算法等……

基於特徵匹配的配准演算法：通過被測物體本身所具備的形態特性構建點雲間的匹配對應，然後採用相關演算法對變換關系進行估計。如基於點FPFH特徵的SAC-IA、FGR等演算法、基於點SHOT特徵的AO演算法以及基於線特徵的ICL等…

②SLAM圖優化

Ceres（Google的最小二乘優化庫，很強大）， g2o、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、NDT

③三維重建

泊松重建、 Delaunay triangulations、表面重建，人體重建，建築物重建，樹木重建。結構化重建：不是簡單的構建一個Mesh網格，而是為場景進行分割，為場景結構賦予語義信息。場景結構有層次之分，在幾何層次就是點線面。實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

④點雲數據管理：點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

E. 3d點雲數據標注好做嗎

不好做。
傳統的二維空間數據是以矢量和影像地圖為主的，隨著時代的進步和科技的發展，3d雲數據包含的內容更豐富。
常見的點雲標注類型包括單幀物體檢測、點雲語義分割、連續幀等，對於標注工具的處理能力、標注效率要求均比較高。

F. 點雲是非歐數據嗎

是的
點雲數據（point cloud data）是指在一個三維坐標系統中的一組向量的集合。掃描資料以點的形式記錄，每一個點包含有三維坐標，有些可能含有顏色信息（RGB）或反射強度信息（Intensity）。
點雲數據除了具有幾何位置以外，有的還有顏色信息。顏色信息通常是通過相機獲取彩色影像，然後將對應位置的像素的顏色信息（RGB）賦予點雲中對應的點。強度信息的獲取是激光掃描儀接收裝置採集到的回波強度，此強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

G. 標題 點雲數據三種採集方法的優缺點

格點采樣、均勻采樣、幾何采樣。
1.格點采樣：優點：效率非常高。采樣點分布比較均勻，但是均勻性沒有均價采樣高，可以通過格點的尺寸控制點間距。缺點：不能精確控制采樣點個數。
2.均勻采樣：優點：采樣點分布均勻。缺點：演算法時間復雜度有些高，因為每次采樣一個點，都要計算集合到集合之間的距離。
3.幾何采樣：優點：計算效率高，采樣點局部分布是均勻的，穩定性高：通過幾何特徵區域的劃分，使得采樣結果抗噪性更強。
點雲數據（point cloud data）是指在一個三維坐標系統中的一組向量的集合。掃描資料以點的形式記錄，每一個點包含有三維坐標，有些可能含有顏色信息（RGB）或反射強度信息。

H. 點雲數據有哪幾種格式如何把matlab中的矩陣數據轉成點雲數據

首先安裝Excel link：
（1）啟動Excel
（2）單擊工具載入宏命令，在對話框中選擇瀏覽按鈕
（3）在matlab安裝目錄下進入toolbox\exlink，選中exlink文件，返回載入宏的對話框，單擊確定
（4）這時候工具欄就出現startmatlab，putmatrix，getmatrix，evalstring四個按鈕。
（office2007和這個有點不一樣，不過沒有本質區別，自己摸索一下）

在Excel中選定數據，按putmatrix按鈕，就實現了數據向matlab的輸出。
別的你自己摸索吧

I. 點雲數據的介紹

點雲數據是通過一定的測量手段直接或間接採集的，且符合測量規則能夠刻畫目標表面特性的密集點集合，是繼矢量、影像後的第三類空間數據，為刻畫三維現實世界提供了最直接和有效的表達方式。

目前激光點雲是最具代表性的三維數據，也是自動駕駛領域常用的一種數據類型。

J. 點雲數據處理

三維計算視覺研究內容包括：

（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有 最近點迭代演算法 ICP 和各種全局匹配演算法。

（2）多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點雲的多視匹配放在這里，比如人體的三維重建，點雲的多視重建不僅強調逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此也存在一個優化或者平差的過程在裡面。通常是通過觀測形成閉環進行整體平差實現，多視圖重建強調整體優化。可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現。重建的結果通常是Mesh網格。

（3）3D SLAM：點雲匹配（最近點迭代演算法 ICP、正態分布變換方法 NDT）+位姿圖優化（ g2o 、LUM、ELCH、Toro、SPA）；實時3D SLAM演算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目標識別：無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。

（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

（6）語義分類：獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行Labeling。可以分為基於點的方法，基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。

（7）立體視覺與立體匹配 ZNCC

（8）SFM（運動恢復結構）

1、點雲濾波方法（數據預處理）：

雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。

VoxelGrid

2、關鍵點

ISS3D、Harris3D、NARF

SIFT3D、

3、特徵和特徵描述

法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 點雲匹配

ICP 、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D 、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

Line Segment Matching 、ICL

5、點雲分割與分類

分割：區域生長、Ransac線面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析、

分類：基於點的分類，基於分割的分類；監督分類與非監督分類

6、SLAM圖優化

g2o 、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT

7、目標識別、檢索

Hausdorff 距離計算（人臉識別）

8、變化檢測

基於八叉樹的變化檢測

9. 三維重建

泊松重建、Delaunay triangulations

表面重建，人體重建，建築物重建，樹木重建。

實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

10.點雲數據管理

點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

點雲驅動的計算機圖形學主要研究應用

http://vcc.szu.e.cn/research/2015/Points/