点云处理

最近在求职，发现激光雷达就业机会更多，而且我在这方面基础相对薄弱些，所以打算补一补。

只要开始，就不晚。

这是一篇英文博客翻译，内容是将点云数据转换成鸟瞰图，虽然CSDN上已经有翻译，但我还是想自己过一遍，以加深理解。

接下来我要好好学学PCL！

点云数据可以表示为具有N行和至少3列的numpy数组。每行对应一个点，其在空间中的位置至少使用3个值表示，即（x，y，z）。 如果点云数据来自LIDAR传感器，那么它可能具有每个点的附加值，例如“反射率”，其是在该位置中障碍物反射多少激光光束的量度。在这种情况下，点云数据可能是Nx4的数组。

点云的坐标系与图像中的坐标系具有完全不同的含义。 下图中，蓝色为图像坐标系，橙色为点云坐标系。 关于图像需要注意的一些重要事项：

有关点云坐标的注意事项：

为了创建鸟眼视图，要使用点云数据x和y轴上的值。 但是，正如上图所示，必须小心并考虑以下事项：

仅关注点云的特定区域通常很有用。因此，我们希望创建一个过滤器，仅保留我们感兴趣区域内的点。

由于我们正在俯视数据，并且要将其转换为图像，因此要使用与图像坐标轴更加一致的方向。下面，指定集中在相对于原点的值的范围。原点左侧的任何内容都将被视为负数，而右侧的任何内容都将被视为正数。点云的x轴将被解释为向前的方向（鸟瞰图向上的方向）。

下面的代码将感兴趣的矩形设置为在原点的两侧，跨度为10米，并在其前面20米处。

接下来，创建一个过滤器，仅保留实际位于指定的矩形内的点。

到这里，已经使用点数据来指定图像中的x和y位置，现在需要做的是指定这些像素位置填充的值。一种方法是填充高度数据。 有两件事要注意：

可以从数据中获取最小和最大高度值，并重新缩放至0-255范围。另一种方法是，设置我们想要关注的高度值范围，并且高于或低于该范围的任何值都被设置为最小值和最大值。这种方法很有用，因为它允许我们从感兴趣的区域获得最大限度的细节。

在下面的代码中，将范围设置为原点下方2米，原点上方半米。

接下来，将这些值重新缩放到0到25​​5之间，并将数据类型转换为整数。

现在准备创建图像，首先初始化一个数组，其尺寸取决于我们在矩形中数值的范围和选择的分辨率；然后使用转换为像素位置的x和y点值来指定数组中的索引，并为这些索引分配像素值。

目前，图像存储为numpy数组。如果希望将其可视化，可以将其转换为PIL图像。

人类并不善于分辨灰色和阴影之间的区别，因此可以使用光谱颜色映射来更容易地分辨出差异。可以在matplotlib中做到这一点。

实际上，这种方式生成的图像与PIL绘制的图像具有完全相同的信息量，因此机器学习算法能够区分高度差异，即使我们人类不能非常清楚地看到差异。

为方便起见，将上面的所有代码放在一个函数中，它将鸟瞰图作为一个numpy数组返回。然后，可以使用喜欢的任何方法对其进行可视化，或者将numpy数组输入到机器学习算法中。