如何用matlab读取三维点云数据

A = load('cloud3ddat'); %读入数据

%x,y,z轴坐标

x=A(:,1);

y=A(:,2);

z=A(:,3);

scatter3(x,y,z); %散点图

[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x))',linspace(min(y),max(y)),'v4'); %构造坐标点

pcolor(X,Y,Z);

shading interp; %伪彩色图

fcontourf(X,Y,Z); %等高线图

figure,surf(X,Y,Z); %三维曲面

三维计算视觉研究内容包括：

（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。

（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。

（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM

（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。

（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。

（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。

（7）立体视觉与立体匹配 ZNCC

（8）SFM（运动恢复结构）

1、点云滤波方法（数据预处理）：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

VoxelGrid

2、关键点

ISS3D、Harris3D、NARF

SIFT3D、

3、特征和特征描述

法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 点云匹配

ICP 、稳健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、点云分割与分类

分割：区域生长、Ransac线面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析、

分类：基于点的分类，基于分割的分类；监督分类与非监督分类

6、SLAM图优化

g2o 、LUM、ELCH、Toro、SPA

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

7、目标识别、检索

Hausdorff 距离计算（人脸识别）

8、变化检测

基于八叉树的变化检测

9 三维重建

泊松重建、Delaunay triangulations

表面重建，人体重建，建筑物重建，树木重建。

实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

10点云数据管理

点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

点云驱动的计算机图形学主要研究应用

>

具体 *** 作步骤如下：

1、创建LAS数据集，将las文件添加到LAS Dataset，注意设置LAS文件和LAS数据集的相对路径。加载LAS数据集到ArcMap中， Data percentage的值显示加载数据的百分比

2、利用las点云创建不规则三角网TIN。主要涉及到对las点云的稀疏化问题。可以在LAS数据集中看到las点云的总点数，也可以在构成的TIN中看到留取的点数。

3、对las点云创建的TIN的修改与编辑。TIN会随着导入的文件而改变即可。

点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。 根据激光测量原理得到的点云，包括三维坐标和激光反射强度。 根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB）。 所以点云文件可看作是一张三维图。

结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。 点云的属性包括：空间分辨率，点位精度，表面法向量等。 在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”。

三维扫描仪 *** 作的过程中要注意（一般常见的 *** 作）：

1 避免震动，扫描时环境的光线不要太强，暗室 *** 作的会更好；

2 光滑反光的物体最好喷显像剂；

3 对于容易变形的物体，尽量不要移动物体，可以考虑移动设备进行扫描；

4 重叠的部分尽量减少扫描的次数；

5 补拍缺陷的地方，有的地方就不用去全选；

6 根据情况灵活借助适当的辅助工具，比如薄的物体，可用小物体一起扫描，最后切去小物体部分；

7 被测物体和镜头的距离要调整合适。

技巧有很多，具体的可以和三维扫描仪厂家技术支持人员联系。--- 先临三维 shining3d

激光点云内插成网络数据通常需要以下步骤：

1、数据获取：首先需要获取激光雷达采集到的原始点云数据。

2、数据处理：将原始点云数据进行去噪、滤波、畸变校正等处理，得到清晰的点云数据。

3、插值：使用插值算法将激光点云数据以网格形式内插出来，得到一张网络数据图像。

4、数据转换：将网络数据转换为计算机可以读取和处理的数据格式，如数组或矩阵等。

5、数据应用：将内插好的网络数据用于不同领域或项目中的相关应用，如三维建模、机器人导航、虚拟现实等。

以上就是关于如何用matlab读取三维点云数据全部的内容，包括:如何用matlab读取三维点云数据、点云数据处理、las点云怎么提取高程等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！