![[kaneko lab.]](https://www.kkaneko.jp/info/logo_png.png){kind=logo}
３次元点群処理の例（Open3D ライブラリ）
【概要】
本記事では，Open3D ライブラリを用いた3次元点群処理の例を8つのパターンで解説する。Open3D は，3次元データの入出力，ダウンサンプリング，外れ値除去，法線推定，ポリゴン変換，セグメンテーション，クラスタリング等の機能を提供するライブラリである。
各パターンは以下の処理を段階的に実装している：
- パターン1：読み込み＋表示（基本操作）
- パターン2：読み込み＋ダウンサンプリング＋表示
- パターン3：読み込み＋外れ値除去＋表示
- パターン4：読み込み＋法線推定＋結果表示
- パターン5：読み込み＋ポリゴン変換＋確認表示
- パターン6：読み込み＋Convex Hull＋確認表示
- パターン7：読み込み＋平面抽出（RANSAC）＋確認表示
- パターン8：読み込み＋DBSCANクラスタリング＋確認表示
各パターンは，室内環境（Redwood，デモデータ，リビングルーム），屋外環境（Eagle彫刻，噴水，Semantic3D 大規模データ），3Dスキャンデータ（Stanford Armadillo，Bunny）等，11種類のデータセットから選択できる。
本記事の8つのコードは，共通部分（import文，データ取得関数，データセット定義，読み込み処理）を統一し，各パターン固有の処理部分との境界を区分している。
【目次】
【関連する外部ページ】
- GitHub の Open3D の Web ページ: https://github.com/isl-org/Open3D
- Open3D の Web ページ: https://www.open3d.org/
- Open3D の公式ドキュメント: https://www.open3d.org/docs/release/
【サイト内の関連情報】
1. 前準備（必要ソフトウェアの入手）
機械学習や深層学習を行う場合は，NVIDIA CUDA，Visual Studio，Cursor などを追加でインストールする。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.html で解説しているので，必要に応じて参照のこと。
Python 3.12 のインストール
Pythonのインストールを行い、Pythonのプログラムを実行する環境を整える。扱う環境は、Windows搭載パソコンである。金子研究室では、Python 3.12.10を推奨する。
[Windows での Python 3.12 のインストール手順を見るには、ここをクリック]
Windows での Python 3.12 のインストール
以下のいずれかの方法でPython 3.12をインストールする。Pythonがインストール済みの場合、この手順は不要である。
方法 1：winget によるインストール
【インストールコマンドの実行方法】
管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして、コマンド全体をコマンドプロンプトにコピー＆ペーストする。
--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動するとPATHが反映される。
REM Python 3.12 をシステム領域にインストール
winget install --id Python.Python.3.12 -e --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_test=0 Include_pip=1 Include_launcher=1 InstallLauncherAllUsers=1 TargetDir=\"C:\Program Files\Python312\""
REM Python と Scripts を PATH 先頭に追加
powershell -NoProfile -Command "$p='C:\Program Files\Python312'; $s=\"$p\Scripts\"; $c=[Environment]::GetEnvironmentVariable('Path','Machine'); if((Test-Path $p) -and (';'+$c+';' -notlike \"*;$p;*\") -and (';'+$c+';' -notlike \"*;$s;*\")){[Environment]::SetEnvironmentVariable('Path',\"$p;$s;$c\",'Machine')}"
方法 2：インストーラーによるインストール
- Python公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンからWindows用インストーラーをダウンロードする。
- ダウンロードしたインストーラーを実行する。
- 初期画面の下部に表示される「Add python.exe to PATH」にチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから
pythonコマンドを実行できない。 - 「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。
インストールの確認
コマンドプロンプトで以下を実行する。
python --versionバージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。
Python の開発環境 Visual Studio Code のインストールと Python 用の設定
Python の開発環境Visual Studio Code（プログラムを編集するソフトウェア。以下、VS Code）を整える。
[Windows での Visual Studio Code のインストールと Python 用の設定手順を見るには、ここをクリック]
Windows での Visual Studio Code のインストールと Python 用の設定手順
1. VS Code と拡張機能のインストール
以下のコマンドにより，既存の VS Code を削除し，全ユーザー共有の設定で再インストールしたうえで，拡張機能（VS Code に機能を追加するソフトウェア）をまとめて導入する．
【インストールコマンドの実行方法】
管理者権限でコマンドプロンプトを起動する（手順：Windows キーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして，コマンド全体をコマンドプロンプトにコピー＆ペーストする。
インストールコマンド
REM ============================================================
REM Microsoft Visual Studio Code
REM ============================================================
winget uninstall -e --id Microsoft.VisualStudioCode --silent --disable-interactivity --accept-source-agreements
rmdir /s /q C:\ProgramData\vscode-extensions 2>nul
rmdir /s /q "%APPDATA%\Code" 2>nul
rmdir /s /q "%USERPROFILE%\.vscode" 2>nul
rmdir /s /q "%LOCALAPPDATA%\Microsoft\vscode-update" 2>nul
REM VS Code をシステム領域に新規インストール
winget install --scope machine --id Microsoft.VisualStudioCode -e --silent --accept-source-agreements --accept-package-agreements
REM 全ユーザー共有の拡張機能フォルダ
mkdir C:\ProgramData\vscode-extensions 2>nul
icacls "C:\ProgramData\vscode-extensions" /grant "Everyone:(OI)(CI)M" /T
REM スタートメニューのショートカットを --extensions-dir 付きで再作成
rmdir /s /q "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code" 2>nul
del "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk" 2>nul
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); $lnk.TargetPath='C:\Program Files\Microsoft VS Code\Code.exe'; $lnk.Arguments='--extensions-dir \"C:\ProgramData\vscode-extensions\"'; $lnk.Save()"
REM ショートカットの検証
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); Write-Host 'TargetPath:' $lnk.TargetPath; Write-Host 'Arguments:' $lnk.Arguments"
REM ファイル / フォルダ右クリックの「Code で開く」を登録
reg add "HKLM\SOFTWARE\Classes\*\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\Background\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%V\"" /f
REM --extensions-dir 付きで起動する code.cmd ラッパを作成
REM （%* を echo で書くと対話的 cmd で失われるため、PowerShell で [char]37+'*' を書き出す）
powershell -NoProfile -Command "$pct=[char]37; $q=[char]34; $c='@echo off'+[char]13+[char]10+$q+'C:\Program Files\Microsoft VS Code\bin\code.cmd'+$q+' --extensions-dir '+$q+'C:\ProgramData\vscode-extensions'+$q+' '+$pct+'*'+[char]13+[char]10; [IO.File]::WriteAllText('C:\ProgramData\vscode-extensions\vscode.cmd',$c,[Text.Encoding]::ASCII)"
REM 拡張機能のインストール
set "CODE=C:\Program Files\Microsoft VS Code\bin\code.cmd"
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot-chat
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.python
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.vscode-pylance
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.debugpy
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension MS-CEINTL.vscode-language-pack-ja
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension saoudrizwan.claude-dev
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension rust-lang.rust-analyzer
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension tamasfe.even-better-toml
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension anthropic.claude-code
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension almenon.arepl
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --list-extensions --show-versions
echo === セットアップ完了 ===
2. Python インタプリタの選択
同一マシンに複数の Python がインストールされている場合，VS Code で使用する Python 本体（インタプリタ：Python プログラムを解釈・実行するソフトウェア）を選択する必要がある．
- コマンドパレット（コマンド名で機能を呼び出す VS Code の入力欄）を開く（
Ctrl+Shift+P） Python: Select Interpreterと入力する
- 表示される一覧から，使用する Python（例：
C:\Program Files\Python312\python.exe）を選択する．
Python プログラム実行手順
[Windows での Python プログラム実行手順を見るには、ここをクリック]
Windows での Python 実行手順（Visual Studio Codeを使用）
プログラムファイルの作成と保存
- 左サイドバーの「エクスプローラー」アイコン（
Ctrl+Shift+E）をクリックする
- 「NO FOLDER OPENED」（作業対象フォルダが未選択の状態）と表示される場合は，「Open Folder」をクリックし，プログラムを保存するフォルダを選択する
続いて「フォルダを信用するか」を確認する画面（フォルダ内のコードを実行してよいか確認する VS Code の仕組み）が表示されるので，チェックして Yes を選択する
- フォルダ名の右側に表示される「新しいファイル」アイコンをクリックする
- ファイル名（例：
aitask.py．ファイル名は何でも良い）を入力しEnterを押す．拡張子は.py（Python ファイルを示す拡張子）とする
- 実行したいコードを選択し，
Ctrl+Cでコピーする．VS Code のエディタ領域にCtrl+Vで貼り付ける Ctrl+Sで保存する
プログラムの実行
- エディタ右上の三角形「▷」アイコン（Run Python File：現在開いている Python ファイルを実行するボタン）をクリックする．または，エディタ上で右クリックし「ターミナルで Python ファイルを実行」を選択する
- VS Code 下部のターミナル（コマンドの入出力を表示する画面）に，実行結果（
print関数の出力等）が表示される
- tkinter（Python 標準の GUI ライブラリ）のファイル選択ダイアログを使うプログラムを実行した場合は，ダイアログが開くので対象画像を選択する
- VS Code 下部のターミナルで実行結果を確認する．OpenCV ウィンドウ（OpenCV が画像を表示するために開く専用ウィンドウ）が開いた場合はそちらも確認する．OpenCV ウィンドウは，マウスクリックでウィンドウをアクティブ（操作対象の状態）にしてからキーを押すと終了する
Open3D ライブラリのインストール [クリックして展開]
管理者権限でコマンドプロンプトを起動する
（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
python -m pip install -U --no-user open3d numpy pandas py7zr matplotlib2. 実行のための準備とその確認手順（Windows 前提）
2.1 プログラムファイルの準備
第4章に掲載する8つのソースコードから，実行するパターンを1つ選択し，テキストエディタ（Visual Studio Codeやメモ帳など）に貼り付け，open3d_demo.py として保存する（文字コード：UTF-8）。
2.2 実行コマンド
コマンドプロンプトでファイルの保存先ディレクトリに移動し，以下を実行する。
python open3d_demo.py実行すると，データセット選択画面が表示される。11種類のデータセットから番号（1〜9，A，B。A/B は小文字でも可）を入力して選択する。
3. 概要・使い方・実行上の注意
3.1 Open3D ライブラリの主要機能
- データ入出力：
o3d.io.read_point_cloud/write_point_cloudはファイル拡張子から形式を判別し，PLY・PCD・XYZ・XYZN・XYZRGB・PTS 等の形式に対応する（LAS 形式は laspy 等の外部ライブラリが必要）。 - ダウンサンプリング：
voxel_down_sample(voxel_size)：空間を一辺voxel_sizeのボクセルで分割し，各ボクセル内の点の座標平均を代表点とすることで空間的に均一な点群を得る。random_down_sample(sampling_ratio)：指定比率でランダムに点を選択する。
- 外れ値除去：
remove_statistical_outlier(nb_neighbors, std_ratio)：各点から近傍nb_neighbors点までの平均距離を求め，その分布において標準偏差のstd_ratio倍を超える点を除去する。remove_radius_outlier(nb_points, radius)：半径radius内の近傍点数がnb_points未満の点を除去する。
- 法線推定：
estimate_normals(search_param=KDTreeSearchParamHybrid(radius, max_nn))は各点の近傍点群に対して主成分分析（共分散行列の固有値分解）を適用し，最小固有値に対応する固有ベクトルを法線方向として推定する。法線の向きはorient_normals_to_align_with_direction，orient_normals_towards_camera_location，orient_normals_consistent_tangent_plane等で統一する必要がある。 - ポリゴン変換：
TriangleMesh.create_from_point_cloud_alpha_shape(pcd, alpha)：アルファシェイプにより凹形状を含む外形を再現するメッシュを生成する（法線不要）。TriangleMesh.create_from_point_cloud_ball_pivoting(pcd, radii)：指定した複数半径のボールを点群上で回転させ，接触する3点から三角形を逐次生成するボールピボッティング法（法線必要，radiiはDoubleVectorで指定）。TriangleMesh.create_from_point_cloud_poisson(pcd, depth)：ポアソン再構成により水密なメッシュを生成する（法線必要，depthが大きいほど解像度が高い）。
- その他：
segment_plane：RANSAC ベースの平面検出（平面方程式の係数とインライア点インデックスを返す）cluster_dbscan：DBSCAN 密度ベースクラスタリング（epsとmin_pointsで制御，ラベル-1はノイズを示す）compute_convex_hull：Qhull ベースの実装（全点を包含する最小凸多面体をTriangleMeshとして返す）registration_icp：ICP による精密位置合わせregistration_ransac_based_on_feature_matching：FPFH 特徴量ベースのグローバル位置合わせdraw_geometries：3D 表示（色・法線・視点の描画オプション付き）
3.2 使用データ
以下の11種類のデータセットから選択できる。
キー 名称 環境 特徴 1 室内Redwood 室内 PCD・RGB色付き 2 室内デモ 室内 PLY・切り出しデモ 3 テーブルシーン 室内卓上 PCD・Sick LMS400 LiDAR 4 リビングルーム 室内 PLY・Redwood RGB-D 5 Eagle屋外彫刻 屋外 PLY・実計測 6 屋外噴水 屋外 RGB-D生成・ETH 7 Armadillo スキャン Stanford 3Dスキャン 8 Stanford Bunny スキャン Stanford 3Dスキャン 9 Semantic3D 教会 屋外 静的LiDAR・bildstein A Semantic3D 噴水広場 屋外 静的LiDAR・untermaederbrunnen B Semantic3D 大聖堂 屋外 静的LiDAR・domfountain
3.3 実行上の注意
- Semantic3D データセット（9，A，B）は大規模データ（数百MB〜1GB超）であり，初回実行時にダウンロード・解凍に時間がかかる。ダウンロードされたファイルは
~/.cache/o3d_demoにキャッシュされる。 - 各パターンは独立して動作する。
- 3D可視化ウィンドウでは，マウス操作で視点を変更できる（左ドラッグ：回転，右ドラッグ：並進，ホイール：ズーム）。
- パターン4では，
point_show_normal=Trueオプションにより法線ベクトルが可視化される。 - パターン5では，Alpha Shape，Ball Pivoting，Poisson の3つのメッシュ変換結果が順次表示される。
- パターン8では
matplotlibを使用する（色付けのためのカラーマップ取得に利用）。
4. ソースコード
以下に8つのパターンのソースコードを掲載する。各パターンは独立して動作する。共通部分は統一されており，パターン固有の処理部分との境界を区分している。
パターン1：読み込み＋表示
基本となるパターンである。データセットを読み込み，3D可視化ウィンドウで表示する。
# ════════════════════════════════════════
# パターン1：読み込み＋表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン1固有の処理：表示のみ │
# └────────────────────────────────────┘
o3d.visualization.draw_geometries([pcd], window_name="元の点群")
パターン2：読み込み＋ダウンサンプリング＋表示
ボクセルダウンサンプリングにより点群を間引き，処理を高速化する。
# ════════════════════════════════════════
# パターン2：読み込み＋ダウンサンプリング＋表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン2固有の処理：ダウンサンプリング │
# └────────────────────────────────────┘
pcd = pcd.voxel_down_sample(voxel_size)
print(f"ダウンサンプリング後: {len(pcd.points)} 点")
o3d.visualization.draw_geometries([pcd], window_name="ダウンサンプリング後")
パターン3：読み込み＋外れ値除去＋表示
統計的外れ値除去により，ノイズ点を除去する。
# ════════════════════════════════════════
# パターン3：読み込み＋外れ値除去＋表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン3固有の処理：外れ値除去 │
# └────────────────────────────────────┘
pcd, _ = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
print(f"外れ値除去後: {len(pcd.points)} 点")
o3d.visualization.draw_geometries([pcd], window_name="外れ値除去後")
パターン4：読み込み＋法線推定＋結果表示
主成分分析（共分散行列の固有値分解）により各点の法線方向を推定し，可視化する。法線はポリゴン変換（パターン5）の前処理として用いる。
# ════════════════════════════════════════
# パターン4：読み込み＋法線推定＋結果表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン4固有の処理：法線推定 │
# └────────────────────────────────────┘
pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=voxel_size * 5, max_nn=30))
pcd.orient_normals_consistent_tangent_plane(100)
o3d.visualization.draw_geometries([pcd], window_name="法線推定後", point_show_normal=True)
パターン5：読み込み＋ポリゴン変換＋確認表示
点群からポリゴンメッシュを生成する。Alpha Shape，Ball Pivoting，Poisson の3つの手法を順次実行し，各手法の結果を比較できる。
# ════════════════════════════════════════
# パターン5：読み込み＋ポリゴン変換＋確認表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────────────────┐
# │ パターン5固有の処理：前処理＋ポリゴン変換（3手法） │
# └────────────────────────────────────────────────┘
pcd = pcd.voxel_down_sample(voxel_size)
pcd, _ = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=voxel_size * 5, max_nn=30))
pcd.orient_normals_consistent_tangent_plane(100)
def transfer_colors(src, mesh):
if not src.has_colors():
return
kd = o3d.geometry.KDTreeFlann(src)
cols = np.asarray(src.colors)
vcols = np.array([cols[kd.search_knn_vector_3d(v, 1)[1][0]]
for v in np.asarray(mesh.vertices)])
mesh.vertex_colors = o3d.utility.Vector3dVector(vcols)
mesh_a = o3d.geometry.TriangleMesh.create_from_point_cloud_alpha_shape(pcd, alpha=voxel_size * 5)
mesh_a.compute_vertex_normals()
o3d.visualization.draw_geometries([mesh_a], window_name="Alpha Shape")
radii = o3d.utility.DoubleVector([voxel_size * 2.5, voxel_size * 5, voxel_size * 10])
mesh_b = o3d.geometry.TriangleMesh.create_from_point_cloud_ball_pivoting(pcd, radii)
mesh_b.compute_vertex_normals()
o3d.visualization.draw_geometries([mesh_b], window_name="Ball Pivoting")
mesh_p, _ = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9)
mesh_p.compute_vertex_normals()
transfer_colors(pcd, mesh_p)
o3d.visualization.draw_geometries([mesh_p], window_name="Poisson (depth=9)")
パターン6：読み込み＋Convex Hull＋確認表示
Qhull アルゴリズムにより点群の凸包（全点を包含する最小凸多面体）を計算し，赤色のワイヤーフレームで表示する。
# ════════════════════════════════════════
# パターン6：読み込み＋Convex Hull＋確認表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン6固有の処理：Convex Hull │
# └────────────────────────────────────┘
pcd = pcd.voxel_down_sample(voxel_size)
pcd, _ = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
hull, _ = pcd.compute_convex_hull()
hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
hull_ls.paint_uniform_color((1, 0, 0))
print(f"Convex Hull: {len(hull.vertices)} 頂点, {len(hull.triangles)} 三角形")
o3d.visualization.draw_geometries([pcd, hull_ls], window_name="Convex Hull")
パターン7：読み込み＋平面抽出（RANSAC）＋確認表示
RANSAC アルゴリズムにより点群から平面を検出し，平面内点（赤色）と平面外点（元の色）を分離表示する。
# ════════════════════════════════════════
# パターン7：読み込み＋平面抽出（RANSAC）＋確認表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン7固有の処理：平面抽出（RANSAC）│
# └────────────────────────────────────┘
plane_model, inliers = pcd.segment_plane(
distance_threshold=voxel_size * 0.5, ransac_n=3, num_iterations=1000)
[a, b, c, d] = plane_model
print(f"平面方程式: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
print(f"平面内点数: {len(inliers)}, 平面外点数: {len(pcd.points) - len(inliers)}")
inlier_cloud = pcd.select_by_index(inliers)
inlier_cloud.paint_uniform_color([1.0, 0, 0])
outlier_cloud = pcd.select_by_index(inliers, invert=True)
o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud], window_name="平面抽出（RANSAC）")
パターン8：読み込み＋DBSCANクラスタリング＋確認表示
DBSCAN 密度ベースクラスタリングにより，点群を複数のクラスタに分割し，各クラスタを異なる色で表示する。ノイズ点は黒色で表示される。
# ════════════════════════════════════════
# パターン8：読み込み＋DBSCANクラスタリング＋確認表示
# ════════════════════════════════════════
# ┌────────────────────────────────────┐
# │ 共通部分：ライブラリインポート │
# └────────────────────────────────────┘
import open3d as o3d, os, numpy as np, urllib.request as ur, pandas as pd, matplotlib.pyplot as plt
# ┌────────────────────────────────────┐
# │ 共通部分：キャッシュディレクトリ設定 │
# └────────────────────────────────────┘
CACHE = os.path.expanduser("~/.cache/o3d_demo")
os.makedirs(CACHE, exist_ok=True)
# ┌────────────────────────────────────┐
# │ 共通部分：データ取得関数 │
# └────────────────────────────────────┘
def fetch(url, fname):
path = os.path.join(CACHE, fname)
if not os.path.exists(path):
print(f" ダウンロード中: {fname} ...")
ur.urlretrieve(url, path)
return path
def load_fountain():
d = o3d.data.SampleFountainRGBDImages()
color = o3d.io.read_image(d.color_paths[0])
depth = o3d.io.read_image(d.depth_paths[0])
rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(
color, depth, depth_trunc=4.0, convert_rgb_to_intensity=False)
# PrimeSenseカメラの内部パラメータを使用
intrinsic = o3d.camera.PinholeCameraIntrinsic(
o3d.camera.PinholeCameraIntrinsicParameters.PrimeSenseDefault)
return o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, intrinsic)
S3D = "https://share.phys.ethz.ch/~pf/semantic3d/data/point-clouds/training1/"
def load_semantic3d(url, fname):
import py7zr
arc = fetch(url, fname)
txt = os.path.join(CACHE, fname.replace(".7z", ".txt"))
if not os.path.exists(txt):
print(f" 解凍中: {fname} ...")
with py7zr.SevenZipFile(arc, "r") as z:
z.extractall(CACHE)
print(f" 読み込み中（大規模データ）...")
df = pd.read_csv(txt, header=None, sep=r"\s+", dtype=np.float32)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(df.iloc[:, :3].values)
pcd.colors = o3d.utility.Vector3dVector(df.iloc[:, 4:7].values / 255.0)
return pcd
# ┌────────────────────────────────────┐
# │ 共通部分：データセット定義 │
# └────────────────────────────────────┘
PCL = "https://raw.githubusercontent.com/PointCloudLibrary/data/master/"
DATASETS = {
"1": ("室内Redwood (PCD・RGB色付き)", lambda: o3d.io.read_point_cloud(o3d.data.PCDPointCloud().path), 0.02),
"2": ("室内デモ (PLY・切り出しデモ)", lambda: o3d.io.read_point_cloud(o3d.data.DemoCropPointCloud().point_cloud_path), 0.02),
"3": ("テーブルシーン (PCD・Sick LMS400 LiDAR)", lambda: o3d.io.read_point_cloud(fetch(PCL + "tutorials/table_scene_lms400.pcd", "table_lms400.pcd")), 0.005),
"4": ("リビングルーム (PLY・Redwood RGB-D)", lambda: o3d.io.read_point_cloud(o3d.data.LivingRoomPointClouds().paths[0]), 0.05),
"5": ("Eagle屋外彫刻 (PLY・実計測)", lambda: o3d.io.read_point_cloud(o3d.data.EaglePointCloud().path), 0.005),
"6": ("屋外噴水 (RGB-D生成・ETH)", lambda: load_fountain(), 0.02),
"7": ("Armadillo (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.ArmadilloMesh().path).sample_points_poisson_disk(50000), 2.0),
"8": ("Stanford Bunny (Stanford 3Dスキャン)", lambda: o3d.io.read_triangle_mesh(o3d.data.BunnyMesh().path).sample_points_poisson_disk(50000), 0.002),
"9": ("Semantic3D 教会 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "bildstein_station1_xyz_intensity_rgb.7z", "bildstein_station1_xyz_intensity_rgb.7z"), 0.1),
"A": ("Semantic3D 噴水広場 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "untermaederbrunnen_station1_xyz_intensity_rgb.7z", "untermaederbrunnen_station1_xyz_intensity_rgb.7z"), 0.1),
"B": ("Semantic3D 大聖堂 (屋外・静的LiDAR)", lambda: load_semantic3d(S3D + "domfountain_station3_xyz_intensity_rgb.7z", "domfountain_station3_xyz_intensity_rgb.7z"), 0.1),
}
# ┌────────────────────────────────────┐
# │ 共通部分：データセット選択と読み込み │
# └────────────────────────────────────┘
print("データセット選択:\n" + "\n".join(f" {k}: {v[0]}" for k, v in DATASETS.items()))
_, loader, voxel_size = DATASETS[input("番号: ").strip().upper()]
pcd = loader()
print(f"読み込み完了: {len(pcd.points)} 点")
# ┌────────────────────────────────────┐
# │ パターン8固有の処理：DBSCANクラスタリング │
# └────────────────────────────────────┘
pcd = pcd.voxel_down_sample(voxel_size)
pcd, _ = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
labels = np.array(pcd.cluster_dbscan(eps=voxel_size * 10, min_points=10, print_progress=True))
max_label = labels.max()
print(f"クラスタ数: {max_label + 1} （ノイズ点: {(labels < 0).sum()} 点）")
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
colors[labels < 0] = 0
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd], window_name="DBSCANクラスタリング")
5. まとめ
5.1 Open3D ライブラリの特徴
Open3D は，ファイル拡張子から形式を判別する入出力機能により，多様な3次元データの読み書きに対応する。
5.2 ダウンサンプリングと外れ値除去
ボクセルダウンサンプリングは空間的に均一な点群を得る手法である。統計的外れ値除去は近傍点との平均距離の分布に基づいて異常点を除去する。
5.3 法線推定とポリゴン変換
法線推定は主成分分析（共分散行列の固有値分解）により各点の法線方向を推定する。法線情報を利用することで，点群からポリゴンメッシュを生成できる。
5.4 セグメンテーションとクラスタリング
RANSAC ベースの平面検出により平面構造を抽出できる。DBSCAN 密度ベースクラスタリングは密度の高い領域をクラスタとして検出する。