点云的3种法线矢量推定方法和可视化1 )点云读取可视化2 )下采样可视化3 )法线矢量的3种推定方式(k近邻推定，半径近邻推定，混合探索推定)4)点云各点对应的法线矢量点的存储和可视化5 )同时可视化法线矢量点和原点云6
1 )点云读取可视化
原始点云：
2 )下采样可视化下采样：
3 )法线向量的三种估计方式(k近邻估计、半径近邻估计、混合搜索估计)K近邻估计法向量并可视化：
混合搜索近邻估计可视化
4 )点云各点对应的法向量点的存储与可视化法向量对应的点可视化：
5 )同时可视化法向矢量点和原始点云原始点云灰色，法向量点绿色
6 )源代码# @Description: Open3D估算法向量，可视化，文件importopen 3d as O3 dimportospath=OS.path.abspath (OS.path.jopen 3d ) pcds/bunny.PCD ' normal path=path.replace (.PCD '，' _normal.pcd ' ) print ) ) path print it， and render it ' ) PCD=o3d.io.read _ point _ cloud (path ) PCD.paint _ uniform _ color ([ 0.5，0.5， 0.5 ) )所有点为灰色(灰兔) print ) PCD )输出点云点数) print ) O3D.NP.asarray ) PCD.points )输出点的三维坐标o3d.visualization.points ) left=50，top=50，point_show_normal=False，mesh _ show _ normal mesh _ show _ back _ face=false ) print () 体素的边长为0.002mprint(DownPCD ) o3d.visualization.draw _ geometries ([ downpcd ]，' Open3D downsample points '，width mesh_show_wireframe=False， mesh_show_back_face=False ) print (' recomputethenormalofthedownsampledpointcloud ' )混合搜索KNN搜索半径搜索# downpcd.estim iming search _ param=o3d.geometry.kdtreesearchparamhybrid (radius=0.01， max_nn=20 ) )法线，查找半径1cm，然后查找附近20个点的downpcd.estimate _ normals (search _ param=o3d.geometry.kdtreeeseary ) 仅考虑downpcd.estimate _ normals (search _ param=o3d.geometry.kdtreesearchparamradius ) radius=0.01 )附近的20个点只考虑' Open3D normal estimation '，width=800，height=600，leeight )的mesh_show_wireframe=False， mesh_show_back_face=false(# ) 可视化法线print (' printanormalvectorofthe 0th point ' (print ) ) downpcd.normals(0) ) 0点的法线向量值print (printthenormalvector ) y ) DownPCD.normals ) [输出：10， ] ) #输出前10个点的法线向量# STD :3360 vector eigen 33603360 vector 3d with 381 element normals=o3d.NP.as array print (normals ) #可视化法向量的一点是， 文件normal _ point=o3d.utility.vector 3d vector (downpcd.normals ) normals=o3d.geometry.point cloud )的normard o3d.visualization.draw ' open 3d noramls points '，width=800，height=600，left=50，top=50，point _ show _ normm