如何用Open3D移除3D物体底面点云中的非目标外点？

我正在开发程序提取独特形状3D物体的底面点云，目前通过Open3D筛选法向量Z分量为负的顶点获取底面点，再用统计离群点移除处理后，仍有明显不属于底面的冗余外点残留（红线下方为目标底面点，上方为非目标外点，红色球体为物体质心）。现有代码如下：

import open3d as o3d
import numpy as np

mesh = o3d.io.read_triangle_mesh("mypath")
mesh.compute_vertex_normals()
vertex_normals = np.asarray(mesh.vertex_normals)
vertices = np.asarray(mesh.vertices)

underside_indices = np.where(vertex_normals[:, 2] < 0)[0]
underside_points = vertices[underside_indices]
underside_point_cloud = o3d.geometry.PointCloud()
underside_point_cloud.points = o3d.utility.Vector3dVector(underside_points)
#Remove outliers
cl, ind = underside_point_cloud.remove_statistical_outlier(nb_neighbors=40, std_ratio=2.0)
clean_underside_point_cloud = underside_point_cloud.select_by_index(ind)
#Compute the centroid of the mesh and Visualize
centroid = mesh.get_center()
centroid_sphere = o3d.geometry.TriangleMesh.create_sphere(radius=1)
centroid_sphere.translate(centroid)
centroid_sphere.paint_uniform_color([1, 0, 0])
#Visualization
o3d.visualization.draw_geometries([clean_underside_point_cloud, centroid_sphere])

可行的外点移除方法 #

1. 基于Z轴坐标阈值过滤 #

目标底面在红线下方，说明其Z轴坐标整体低于外点。可通过计算初始筛选点的Z值分布，设定阈值过滤Z值过高的点：

# 在统计离群点移除前添加Z值过滤逻辑
z_values = underside_points[:, 2]
# 取Z值的25分位数作为阈值，可根据模型实际情况调整
z_threshold = np.percentile(z_values, 25)
filtered_indices = np.where(z_values <= z_threshold)[0]
filtered_points = underside_points[filtered_indices]
underside_point_cloud = o3d.geometry.PointCloud()
underside_point_cloud.points = o3d.utility.Vector3dVector(filtered_points)

2. 结合质心的Z方向筛选 #

底面点通常位于质心下方，可直接过滤Z值高于质心Z坐标的点：

# 在初始筛选后添加质心Z方向过滤
centroid_z = centroid[2]
# 可根据模型尺寸添加微小偏移，比如centroid_z - 0.5
valid_indices = np.where(underside_points[:, 2] < centroid_z)[0]
underside_points = underside_points[valid_indices]
underside_point_cloud = o3d.geometry.PointCloud()
underside_point_cloud.points = o3d.utility.Vector3dVector(underside_points)

3. RANSAC平面拟合提取底面 #

底面本质是平面，用RANSAC拟合平面并提取内点，能精准过滤非平面外点：

# 替代统计离群点移除，改用RANSAC平面拟合
plane_model, inliers = underside_point_cloud.segment_plane(distance_threshold=0.01,
                                                           ransac_n=3,
                                                           num_iterations=1000)
clean_underside_point_cloud = underside_point_cloud.select_by_index(inliers)

• 参数说明：distance_threshold是点到平面的最大允许距离，ransac_n是拟合平面所需的最少点数，可根据模型尺寸调整。

4. 优化统计离群点移除参数 #

现有参数可能不够严格，可调整nb_neighbors和std_ratio提升过滤精度：

# 调整参数，缩小标准差比例、增加邻域点数
cl, ind = underside_point_cloud.remove_statistical_outlier(nb_neighbors=60, std_ratio=1.0)
clean_underside_point_cloud = underside_point_cloud.select_by_index(ind)

内容的提问来源于stack exchange，提问作者GioM