两个点云数据的融合

给定来自点云和查询点的法线向量，根据固定半径内相邻点的最小和最大特征值估计主曲率。

点云数据抽稀显示工具 可改变参数调整抽稀比例 支持2维、3维

点云可视化程序，包括ply、pcd、txt格式的点云可视化，压缩包内有cmake编译好的可执行文件和测试文件，具体信息查看README文件。

Python读取Las点云数据并转换为TXT代码，亲测可用 Python读取Las点云数据并转换为TXT代码，亲测可用 Python读取Las点云数据并转换为TXT代码，亲测可用 Python读取Las点云数据并转换为TXT代码，亲测可用 Python读取Las点云数据并转换为TXT代码，亲测可用 Python读取Las点云数据并转换为TXT代码，亲测可用

在VS2015下使用PCL1.8.1、VTK8.0.0和QT 5.10编写的点云加载示例，代码本身很简单，重点是环境配置过程比较复杂，里面附有PCL和VTK的配置过程文档

供学习PCL的初学者测试的pcd文件

SampleNet：可微分的点云采样 由特拉维夫大学的Itai Lang，Asaf Manor和Shai Avidan创建。 介绍 这项工作基于我们的。请阅读它以获取更多信息。也欢迎您观看CVPR 2020的。 直接在点云上工作的任务越来越多。随着点云大小的增加，这些任务的计算需求也随之增加。一个可能的解决方案是首先对点云进行采样。经典采样方法（例如，最远点采样（FPS））不考虑下游任务。最近的一项工作表明，学习针对特定任务的采样可以显着改善结果。但是，提出的技术并未处理采样操作的不可微性，而是提供了一种解决方法。 我们为点云采样引入了一种新颖的微分松弛。我们的方法采用了一种软投影操作，该操作将采样点近似为主要输入云中的混合点。近似值由温度参数控制，并在温度变为零时收敛到常规采样。在训练过程中，我们使用投影损耗来鼓励温度下降，从而使每个采样点都靠近输入点之一。 这种近似方案可在各种应用（例

Hi~ 可私信我了解后再进行下载~ 1.基于halcon算法平台； 2.提供深度图源文件以及解压密码； 3.代码预览： */******************************************************************************** * @文档名称: 3D点云体积计算。 * @作者: hugo * @版本: 1.1 * @日期: 2021-7-2 * @描述: 该方法支持3DROI创建以及点云体积计算。 ***************************************************/

提出一种非结构化点云特征线提取方法, 其过程主要分为区域分割和特征检测两个阶段。在区域分割阶段, 引入社会粒子群优化模糊C-均值聚类算法对点云数据进行区域聚类, 得到边界清晰的各个分区, 便于后续边界特征的提取; 在特征检测阶段, 对各个分区进行局部径向基函数曲面重构, 以获取各个分区内采样点的曲率信息。提出基于平均曲率计算的局部特征权值, 并通过局部特征权值和曲率极值法对特征点进行双重检测。并通过建立特征点的最小生成树构建特征曲线。对不同点云模型进行特征线提取实验, 结果表明, 本文方法既能够提取点云模型中的显著特征和尖锐特征, 也能够很好地提取特征强度变化的曲线特征。