点云转深度图：转化，保存，可视化

转载 已于 2024-10-26 01:19:28 修改 · 5k 阅读 · 28 ·
本内容遵循CC 4.0 BY-SA版权协议
原文链接：https://blog.csdn.net/adfjadsklf/article/details/119082844
标签
#点云转深度图
于 2022-06-21 18:19:47 首次发布
该博客介绍了如何使用PCL库将点云数据转换为深度图并进行保存及可视化。通过RGBD相机获取的点云数据，可以利用PCL的RangeImage类创建深度图，并通过保存深度图像的RGB PNG文件实现存储。同时，提供了两种方法在PCL可视化器中展示深度图像，一是直接从点云中可视化，二是以图像形式展示深度值。

目录

点云转深度图 测试ok：

越远越黑：

python open3d实现，待测

pcl 三维数据的获取方式

代码展示：在pcl中，把点云转为深度图，并保存和可视化

点云转深度图 测试ok：

远处白色，物体黑色，效果更好：

        lidars=glob.glob(clip_dir+'/lidar/*.pcd')
        lidars=natsorted(lidars)
        
        img_width=3840
        img_height=2160
        for frame_id,lidar_path in enumerate(lidars):
            print('lidar------------',frame_id)
            pts_3d = []
            pts_2d = []
            pcd = o3d.io.read_point_cloud(lidar_path)
            
            # 转换点云为 NumPy 数组
            points = np.asarray(pcd.points)
            pts_3d.append(points[:, :3])
            # pts_3d_to_2d=pts_3d @ lidar2vcs @np.linalg.inv(cam2vcs).T @ K_4x4.T
            
            points_2d= np.hstack((points, np.ones((points.shape[0], 1))))@np.linalg.inv(cam2vcs).T @ K_4x4.T
            
            if 1:
                points_2d[:,[0,1]]/=points_2d[:,[2]]
            
                depth = points_2d[:, 2]  # 深度值

                # 创建深度图，并将所有点初始化为最大深度（如无穷远）
                depth_map = np.full((img_height, img_width), np.inf)

                # 将点云投影到像素坐标
                w = points_2d[:, 0].astype(int)
                h = points_2d[:, 1].astype(int)

                # 过滤点，使得 w 和 h 在图像范围内
                mask = np.logical_and.reduce((w >= 0, w < img_width, h >= 0, h < img_height))
                w, h, depth = w[mask], h[mask], depth[mask]

                # 逐像素赋值深度（最近点优先）
                for i in range(len(w)):
                    if depth_map[h[i], w[i]] > depth[i]:
                        depth_map[h[i], w[i]] = depth[i]

                # 将无穷远的像素设为最大深度值
                max_depth = np.max(depth_map[np.isfinite(depth_map)])
                depth_map[~np.isfinite(depth_map)] = max_depth

                # 归一化到 0-255 并转换为 uint8
                depth_map = (255 * (depth_map / max_depth)).astype(np.uint8)
                
                cv2.imwrite(f'{cur_show_dir}/depth_{frame_id}.png',  depth_map)

越远越黑：

        lidars=glob.glob(clip_dir+'/lidar/*.pcd')
        lidars=natsorted(lidars)
        
        img_width=3840
        img_height=2160
        for frame_id,lidar_path in enumerate(lidars):
            print('lidar------------',frame_id)
            pts_3d = []
            pts_2d = []
            pcd = o3d.io.read_point_cloud(lidar_path)
            
            # 转换点云为 NumPy 数组
            points = np.asarray(pcd.points)
            pts_3d.append(points[:, :3])
            # pts_3d_to_2d=pts_3d @ lidar2vcs @np.linalg.inv(cam2vcs).T @ K_4x4.T
            
            points_2d= np.hstack((points, np.ones((points.shape[0], 1))))@np.linalg.inv(cam2vcs).T @ K_4x4.T
            
            if 1:
                points_2d[:,[0,1]]/=points_2d[:,[2]]
            
                depth = points_2d[:, 2]  # 深度值

                # 创建深度图，并将所有点初始化为最大深度（如无穷远）
                depth_map = np.full((img_height, img_width), np.inf)

                # 将点云投影到像素坐标
                w = points_2d[:, 0].astype(int)
                h = points_2d[:, 1].astype(int)

                # 过滤点，使得 w 和 h 在图像范围内
                mask = np.logical_and.reduce((w >= 0, w < img_width, h >= 0, h < img_height))
                w, h, depth = w[mask], h[mask], depth[mask]

                # 逐像素赋值深度（最近点优先）
                for i in range(len(w)):
                    if depth_map[h[i], w[i]] > depth[i]:
                        depth_map[h[i], w[i]] = depth[i]

                # 将无穷远的像素设为最大深度值
                max_depth = np.max(depth_map[np.isfinite(depth_map)])
                depth_map[~np.isfinite(depth_map)] = 0
                # 归一化到 0-255 并转换为 uint8
                depth_map = (255 * (depth_map / max_depth)).astype(np.uint8)
                
                cv2.imwrite(f'{cur_show_dir}/depth_{frame_id}.png',  depth_map)

python open3d实现，待测

import open3d as o3d
import numpy as np
import cv2

# 加载点云数据
pcd = o3d.io.read_point_cloud("your_point_cloud_file.ply")  # 替换为你的点云文件路径

# 设置相机内参
camera_intrinsics = o3d.camera.PinholeCameraIntrinsic(width=640, height=480, fx=525, fy=525, cx=320, cy=240)

# 设置相机外参（这里假设无旋转和平移）
R = np.eye(3)  # 3x3 旋转矩阵（单位矩阵）
t = np.array([0, 0, 0])  # 3x1 平移向量（零向量）

# 创建变换矩阵
extrinsics = np.eye(4)
extrinsics[:3, :3] = R
extrinsics[:3, 3] = t

# 使用外参将点云转换到相机坐标系
pcd.transform(extrinsics)

# 将点云转换为深度图
depth_map = o3d.geometry.PointCloud.create_depth_image_from_point_cloud_with_intrinsics(
    pcd, camera_intrinsics, depth_scale=1000.0, depth_trunc=3.0, stride=1
)

# 将深度图转换为NumPy数组
depth_image = np.asarray(depth_map)

# 将深度图归一化到0-255并转换为8位图像
depth_image = cv2.normalize(depth_image, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)

# 使用 OpenCV 显示深度图
cv2.imshow("Depth Image", depth_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存深度图
cv2.imwrite("depth_image.png", depth_image)

pcl 三维数据的获取方式


RGBD相机和深度图
代码展示：在pcl中，把点云转为深度图，并保存和可视化
三维数据的获取方式
在计算机视觉和遥感领域，点云可以通过四种主要的技术获得，
（1）根据图像衍生而得，比如通过双目相机，
（2）基于RGBD相机获取点云
（3）基于光探测距离和测距系统比如lidar,
（4）Synthetic Aperture Radar (SAR)系统获取，基于这些不同的原理系统获取的点云数据，其数据的特征和应用的范围也是多种多样

RGBD相机和深度图
（1）深度图的原理：用深度值z值 当作像素值
（2）深度图获取原理：

代码展示：在pcl中，把点云转为深度图，并保存和可视化

#include <iostream>
#include <pcl/io/pcd_io.h> 
#include <pcl/common/common_headers.h>
#include <pcl/range_image/range_image.h> //点云转深度头文件
#include <pcl/visualization/range_image_visualizer.h> //深度图像可视化
#include <pcl/visualization/pcl_visualizer.h>//点云可视化
#include <boost/thread/thread.hpp>//多线程
#include <pcl/io/png_io.h>//保存深度图像
#include <pcl/visualization/common/float_image_utils.h>//保存深度图像
int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr pointCloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("D:/zmy_719/vs_pcl/bun0.pcd", *pointCloud);

    //以1度为角分辨率，从上面创建的点云创建深度图像。
    //深度图像中的一个像素对应的角度大小1°，角度转弧度
    float angularResolution = (float)(1.0f * (M_PI / 180.0f));
    
    // 360.0度转弧度，扫描的水平宽度是360°
    float maxAngleWidth = (float)(360.0f * (M_PI / 180.0f));

    // 180.0度转弧度，扫描的垂直高度是180°
    float maxAngleHeight = (float)(180.0f * (M_PI / 180.0f));

    //采集位置，传感器的初始位姿
    Eigen::Affine3f sensorPose = (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f);
    
    //选择的系统 X轴是向右，Y轴向下，Z轴向前
    //如果选择是LASER_FRAME,则X轴向前，Y轴向左，Z轴向上
    pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
    
    //noiseLevel如果设置为0.05就是5cm为半径的圆内的所有点的平均值，得到的深度值为准
    float noiseLevel = 0.00;

    //minRange大于0，假设为r，那么r内的所有点被忽略，为盲区
    float minRange = 0.0f;
    int borderSize = 1;

    //-------------------生成深度图像------------------------
    pcl::RangeImage::Ptr rangeImage_ptr(new pcl::RangeImage);
    pcl::RangeImage& rangeImage = *rangeImage_ptr;
    rangeImage.createFromPointCloud(*pointCloud, angularResolution, maxAngleWidth, maxAngleHeight, sensorPose, coordinate_frame, noiseLevel, minRange, borderSize);
    //-------------------读取深度图像信息------------------------
    std::cout << rangeImage << "\n";

    //-------------------深度图的保存------------------------
    float* ranges = rangeImage.getRangesArray();
    unsigned char* rgb_image = pcl::visualization::FloatImageUtils::getVisualImage(ranges, rangeImage.width, rangeImage.height);
    pcl::io::saveRgbPNGFile("RangeImage.png", rgb_image, rangeImage.width, rangeImage.height);

    //------------------可视化点云----------------------
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer1(new pcl::visualization::PCLVisualizer("PointCloud Viewer"));
    //设置背景颜色
    viewer1->setBackgroundColor(0, 0, 0);
    //添加点云
    viewer1->addPointCloud(pointCloud, "point cloud");
    viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 0, 1, "point cloud");
    viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "point cloud");
        
    //------------------可视化深度图像----------------------
    //方法一：从点云中可视化深度图像
    boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer(new pcl::visualization::PCLVisualizer("RangeImage Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色
    pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointWithRange> range_image_color_handler(rangeImage_ptr, "z");
    viewer->addPointCloud(rangeImage_ptr, range_image_color_handler, "range image");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "range image");
    viewer->initCameraParameters();

    //方法二：以图像的形式显示深度图像，深度值作为颜色显示
    pcl::visualization::RangeImageVisualizer range_image_widget("Range image");
    range_image_widget.setWindowTitle("RangeImage");
    range_image_widget.showRangeImage(rangeImage);
    range_image_widget.setSize(1000, 1000);

        while (!viewer->wasStopped())
        {
            viewer->spinOnce(100);
            boost::this_thread::sleep(boost::posix_time::microseconds(100000));
        }

    system("pause");
    return 0;
}



结果展示：

代码参考：PCL官网

原文链接：https://blog.csdn.net/adfjadsklf/article/details/119082844

从点云数据生成深度图像
UtiExamples的博客
09-24 1950
总结而言，通过透视投影方法，我们可以从点云数据生成深度图像，提取场景中物体与相机之间的距离信息。需要注意的是，上述代码中的参数设置和算法实现都是简化的示例，实际应用中可能需要根据具体情况进行调整和改进。另外，由于点云数据的大小和分布可能会影响生成的深度图像的精度和质量，因此在实际应用中可能需要进行额外的处理和优化。接下来，我们创建一个空白的深度图像，并对每个点进行透视投影，将深度信息保存到深度图像中。点云数据则是由离散的三维点构成的集合，每个点都包含了位置和其他属性信息。
5分钟搞定：用RSim工具从激光雷达点云生成OpenDrive地图（2025最新版）
weixin_29299807的博客
03-01 392
本文详细介绍了如何利用2025最新版RSim工具，在五分钟内将激光雷达点云数据高效转换为标准OpenDrive地图。通过智能预处理、自动化道路提取、车道线识别和参考线生成等核心步骤，实现从原始数据到仿真可用地图的全流程快速构建，极大提升了自动驾驶开发与测试的效率。
别再傻傻分不清了！立体匹配里的视差图、深度图、点云到底啥关系？
最新发布
weixin_33701564的博客
05-16 421
本文深入解析立体匹配中的视差图、深度图与点云的核心区别与联系，揭示它们在三维重建中的关键作用。通过对比数据维度、存储内容和坐标系等特征，帮助读者掌握从视差计算到点云生成的完整流程，并提供实战中的避坑指南与性能优化技巧。
PCL点云数据处理（一）3D点云转深度图像
ic_design11的博客
05-26 1926
深度图像也叫高度图像，距离图像，由传感器采集场景的距离作为图像像素值，是一种3D图像格式，有些情况下，需要把3D点云转成深度图来处理，转换原理本质上是坐标系的变换。
点云与深度图像的相互转换
m0_68312479的博客
08-18 6714
点云与深度图像的相互转换
如何从点云创建深度图像，看这篇你就懂了（附详细代码）
3D视觉工坊
11-18 1万+
作者IRoar冷颜@CSDN编辑I3D视觉开发者社区前言目前，深度图像的获取方法有：激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法等。针对深度图像的研究重点...
点云转深度图：转换，保存，可视化
adfjadsklf的博客
07-25 6666
点云转深度图：转化，保存，可视化三维数据的获取方式RGBD相机和深度图代码展示：在pcl中，把点云转为深度图，并保存和可视化 三维数据的获取方式 在计算机视觉和遥感领域，点云可以通过四种主要的技术获得， （1）根据图像衍生而得，比如通过双目相机， （2）基于RGBD相机获取点云 （3）基于光探测距离和测距系统比如lidar, （4）Synthetic Aperture Radar (SAR)系统获取，基于这些不同的原理系统获取的点云数据，其数据的特征和应用的范围也是多种多样 RGBD相机和深度图 深度图获取
python 深度图转点云 + 基于点云的相机测距
热门推荐
tycoer的博客
06-15 1万+
import numpy as np def depth2xyz(depth_map,depth_cam_matrix,flatten=False,depth_scale=1000): fx,fy = depth_cam_matrix[0,0],depth_cam_matrix[1,1] cx,cy = depth_cam_matrix[0,2],depth_cam_matrix[1,2] h,w=np.mgrid[0:depth_map.shape[0],0:depth_map..
ubuntu18.04+python3+pycharm+pcl1.8实现点云的保存和读取
m0_52589828的博客
03-05 2945
ubuntu18.04+python3+pycharm+pcl1.8实现点云的保存和读取 从开始学习opencv时，就一直用python，现在在学习3D视觉，pointcloud是个难啃的骨头，pcl库的一些函数用法大部分都是C++，深度转点云。点云图的保存和读取，大部分教程都是C，python很少，这里我来分享python-pcl的一些函数的参数使用，后续会更新python版本的pcl库的一些使用，点云滤波器、过滤器、3D测量、3D的物体分割与识别等 1.点云图的保存： 这里主要讲PLY和PCD两种点云的
双目矫正+测距+深度图+点云
滑了丝的螺丝钉
06-01 6519
因为只有一个视角的深度图，所以生成的点云图很粗糙只有个轮廓，顶多算是稀疏原始点云。还需要后期点云滤波、多点云拼接。至于为什么会有对称的两个轮廓，我觉得可能生成了左右两个视角的点云图，还有我的相机参数不完全匹配，导致两个分离了没有融合，有时间再研究研究。 /******************************/ /* 立体匹配和测距 */ /******************************/ #include <pcl/visualization...
PCL点云转深度图像及可视化保存
HackDashX的博客
08-15 986
本文介绍了如何使用PCL库将点云数据转换为深度图像，并通过OpenCV进行可视化保存。通过上述步骤，我们可以方便地将点云数据转换为二维深度图像，并对结果进行保存和可视化处理。在许多计算机视觉和机器人应用中，需要将点云数据转换为二维深度图像进行处理。本文将介绍如何使用PCL库将点云数据转换为深度图像，并将结果进行可视化保存。在进行点云数据处理之前，我们需要加载点云数据。函数可以将点云数据转换为ROS消息格式。现在，我们可以对深度图像进行可视化，并将结果保存为图像文件。接下来，我们将点云数据转换为深度图像。
Range_Image深度图-1 PCL学习记录-9 Range_Image深度图原理，以及如何通过点云生成深度图
HarwardWu的博客
01-11 3673
一.深度图简介 目前深度图像的获取方法有激光雷达深度成像法，计算机立体视觉成像，坐标测量机法，莫尔条纹法，结构光法等等，针对深度图像的研究重点主要集中在以下几个方面， 深度图像的分割技术 深度图像的边缘检测技术 基于不同视点的多幅深度图像的配准技术 基于深度数据的三维重建技术 基于三维深度图像的三维目标识别技术 深度图像的多分辨率建模和几何压缩技术等等 在PCL 中深度图像与点云最主要的区别在于其近邻的检索方式的不同，并且可以互相转换。 深度图像（Depth Images）也被称为距离影像.
PCL点云转为深度图
爱哭鬼
12-08 804
【代码】PCL点云转为深度图。
【PCL自学：Range Images】深度图与点云数据的转换及其应用(持续更新)
斯坦福的兔子的博客
02-26 1万+
PCL 深度图一、什么是深度图二、点云转深度图 PointCloud->Range Image三、利用深度提提取点云边缘 一、什么是深度图   目前深度图像的获取方法有激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法等等，针对深度图像的研究重点主要集中在以下几个方面，深度图像的分割技术 ，深度图像的边缘检测技术 ，基于不同视点的多幅深度图像的配准技术，基于深度数据的三维重建技术，基于三维深度图像的三维目标识别技术，深度图像的多分辨率建模和几何压缩技术等等，在PCL 中深度图像
Halcon三维测量(4):点云图转深度图+点云滤波(补洞)+断线拟合
weixin_41405284的博客
07-24 1万+
对于三维测量的套路，都是将图像转成二维进行测量和处理 我仍然以这个开关检测项目为例，开关点云有x,y,z，三个空间坐标 如果对这个三维点云直接处理，有一个思路我提供给大家，将点云模型完全调平，然后针对x,y,z其中一个坐标进行测量，其实这种思路也是将三维图转为平面。 一.点云图转深度图+点云滤波 本篇着重讲解如何将点云模型转为深度图的思路。 1.将点云模型拆分成x,y,z三个数组，这里的数据可以自动清空，具体请补充一下数据存储，堆和栈的内容。 2.这里提出一个手法，将点云数据拆分成三个数组之后，有很.
点云转深度图（C++详细版）
twnkie的博客
11-03 1164
深度图像是将三维点云数据映射到二维图像平面上，其中每个像素的值表示该像素对应的深度信息。为了将点云转换为深度图像，需要将每个点云点的三维坐标转换为图像的像素坐标。
PCL：实现点云转深度图像并可视化保存（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
10-05 811
PCL：实现点云转深度图像并可视化保存（附完整源码）
从3D相机数据到三维模型：Halcon实战深度图、亮度图与点云转换全流程
weixin_42525005的博客
04-14 331
本文详细解析了如何利用Halcon将3D相机采集的深度图、亮度图转换为三维点云模型的完整流程。通过实战案例分享，涵盖数据格式处理、点云生成方法（SDK接口与纯Halcon实现）、三维模型可视化优化等关键技术，帮助工程师解决工业检测中的实际难题，提升三维重建精度与效率。
Halcon3D篇-深度图与halcon模型互转
m0_51559565的博客
01-03 3516
关于3D相机采图部分，可以参考我们LMISDK的二次开发程序： https://blog.csdn.net/m0_51559565/article/details/134404394 彩色融合图效果。由于Win自带的图片查看并不能正常渲染Tiff图像。所有推荐一个免费tiff查看器：irfanview
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值