点云结构和输出格式

结构点云 

Zivid 默认输出有序的点云。这意味着点云以类似于图像结构的二维点阵列形式排列。

这种结构有几个优点。

为无结构点云设计的算法也可以用于结构点云，因为2D数组可以看做1D数组。而相反情况并不总是正确的。

有序点云在2D图像（颜色和深度）中的像素与点云中的3D点之间具有1：1的相关性。这意味着图像中的相邻像素是点云中的相邻点。这使得2D操作和算法能够应用于2D图像，而结果可以直接应用于点云。例如，对物体的检测和分割，可以分割2D图像并直接从所需像素中提取3D点。

点的有序性加快了计算并降低了某些算法的消耗，尤其是使用相邻点的操作。

无序点云 

无序点云是一维数组中的点列表。每个点包含与有序点云相同的信息。

无序点云也有其优势。

由于没有保留到传感器像素的映射，因此无信息点（NaN）也不存在。因此，无序点云的尺寸可能比有序点云更小。

当您组合多个点云时，将它们合并为单个无序的点云会更容易。

备注

可以从无序点云中恢复像素索引。这可以通过使用固有函数来实现。然而，固有函数模型并不能涵盖相机的完整校准。真正获得正确像素映射的唯一方法是使用有序点云。更多信息请参阅相机内参。

Zivid点云 

不同型号的Zivid相机使用了具有不同分辨率的传感器来捕获场景的点云。

相机	百万像素 (MP)	分辨率
Zivid 3	8	2816 x 2816
Zivid 2+	5	2448 x 2048
Zivid 2	2.3	1944 x 1200

有多种方法可以从SDK获取分辨率信息。

C++

const auto cameraInfo = camera.info();

auto defaultSettings = Zivid::Experimental::SettingsInfo::defaultValue<Zivid::Settings>(cameraInfo);
defaultSettings.acquisitions().emplaceBack(
    Zivid::Experimental::SettingsInfo::defaultValue<Zivid::Settings::Acquisition>(cameraInfo));

defaultSettings.set(
    Zivid::Settings::Color{
        Zivid::Experimental::SettingsInfo::defaultValue<Zivid::Settings2D>(cameraInfo)
            .copyWith(
                Zivid::Settings2D::Acquisitions{
                    Zivid::Experimental::SettingsInfo::defaultValue<Zivid::Settings2D::Acquisition>(
                        cameraInfo) }) });


std::cout << "Camera resolution for default settings:" << std::endl;
const auto resolution = Zivid::Experimental::SettingsInfo::resolution(cameraInfo, defaultSettings);
std::cout << "  Height: " << resolution.height() << std::endl;
std::cout << "  Width: " << resolution.width() << std::endl;

std::cout << "Point cloud (GPU memory) resolution:" << std::endl;
const auto pointCloud = camera.capture2D3D(defaultSettings).pointCloud();
std::cout << "  Height: " << pointCloud.height() << std::endl;
std::cout << "  Width: " << pointCloud.width() << std::endl;

std::cout << "Point cloud (CPU memory) resolution:" << std::endl;
const auto data = pointCloud.copyPointsXYZColorsRGBA_SRGB();
std::cout << "  Height: " << data.height() << std::endl;
std::cout << "  Width: " << data.width() << std::endl;

Zivid 3

生成的点云由800万个点组成。由于像素和点之间存在1:1的相关性，因此可以获得每个像素的 XYZ（mm）、RGB（8 位）和SNR，其中SNR是信噪比。在GPU内部，3D坐标、颜色值和SNR值分别被存储为大小为 2816 x 2816 的单独二维数组。在用户端（CPU内存），数据可以以不同的格式存储，具体取决于请求的方式。请参阅点云教程了解相关详细说明。

Zivid 2+

生成的点云由500万个点组成。由于像素和点之间存在1:1的相关性，因此可以获得每个像素的 XYZ（mm）、RGB（8 位）和SNR，其中SNR是信噪比。在GPU内部，3D坐标、颜色值和SNR值分别被存储为大小为 2448 x 2048 的单独二维数组。在用户端（CPU内存），数据可以以不同的格式存储，具体取决于请求的方式。请参阅点云教程了解相关详细说明。

Zivid 2

生成的点云由230万个点组成。由于像素和点之间存在1:1的相关性，因此可以获得每个像素的 XYZ（mm）、RGB（8 位）和SNR，其中SNR是信噪比。在GPU内部，3D坐标、颜色值和SNR值分别被存储为大小为 1944 x 1200 的单独二维数组。在用户端（CPU内存），数据可以以不同的格式存储，具体取决于请求的方式。请参阅点云教程了解相关详细说明。

颜色图像和深度图像可以直接从Zivid点云中提取。您可以从 GitHub repository 中找到相关示例。

Zivid输出格式 

在ZividStudio中，您可以将点云保存在Zivid数据文件（*.zdf）中。此外，您也可以将点云导出（File → Export）为以下格式：

Polygon (PLY)
Point Cloud Data (PCD)
ASCII（XYZ）

对于每种格式，您可以在从 Zivid Studio 导出时选择不同的导出选项，例如颜色空间和法线。

../_images/ply-export-options.png — PLY、PCD 和 XYZ 文件格式的导出选项。

../_images/pcd-export-options.png — PLY、PCD 和 XYZ 文件格式的导出选项。

Zivid 数据文件 (*.zdf) 是 Zivid 的原生文件格式。如果您使用 API，可以遍历点云并将 X、Y、Z、R、G、B 和 SNR 数据保存为您喜欢的任何格式。请查看我们的示例，了解如何使用 C++ 、 C# 和 Python 读取或转换 Zivid 数据。

小技巧

查看Zivid点云的最简单方法是将ZDF文件复制到您的PC上，并使用 Zivid Studio 来查看点云。或者您也可以使用API将ZDF转换为PLY（或使用我们的 Python script ），然后使用3D查看器来勘察，例如 MeshLab 或者 CloudCompare。

SDK	变更
2.17.0	新增对 Zivid 3 XL250 的支持。
2.16.0	增加了对 `Zivid::UnorganizedPointCloud` 的支持。

点云结构和输出格式

结构点云 

无序点云 

Zivid点云 

Zivid输出格式 

ASCII points (*.xyz)

PLY file (*.ply)

Point Cloud Data file (*.pcd)

版本历史记录 