第一次提交

Author: Timothy-pop

.idea/.gitignore

@@ -0,0 +1,27 @@
+import os
+from Tran_and_scaling.Reput_txt import translate_and_scale_point_cloud
+from Vedio.Semantic_vedio import generate_rotating_point_cloud_video_from_txt
+
+# 使用示例
+input_txt_dir = r"C:\Users\Administrator\Desktop\mp4\other_input\input"
+output_dir = r"C:\Users\Administrator\Desktop\mp4\other_input\combine_txt"
+output_mp4_dir = rf"C:\Users\Administrator\Desktop\mp4\other_output"
+
+OVERWRITE = False
+
+# 创建输出目录（如果不存在）
+os.makedirs(output_dir, exist_ok=True)
+os.makedirs(output_mp4_dir, exist_ok=True)
+
+for filename in os.listdir(input_txt_dir):
+    if filename.endswith(".txt"):
+        # 构建输入文件路径
+        input_file = os.path.join(input_txt_dir, filename)
+        # 调用函数处理点云文件
+        translate_and_scale_point_cloud(input_file, output_dir, OVERWRITE)
+        # 构建处理后的txt文件路径
+        processed_txt = os.path.join(output_dir, filename)
+        # 调用函数生成旋转点云视频
+        generate_rotating_point_cloud_video_from_txt(processed_txt, output_mp4_dir, OVERWRITE)
+
+

.idea/Semantic_rotation.iml

@@ -0,0 +1,76 @@
+# Semantic_Rotation
+
+
+
+### ------------------------------------------使用**Semantic_rotation**可以展示语义点云------------------------------------------
+
+
+
+对原始点云进行缩放重构，确保能够将点云放进open3d的视窗下
+
+```
+input_txt_dir = r"C:\Users\Administrator\Desktop\mp4\other_input\input"
+output_dir = r"C:\Users\Administrator\Desktop\mp4\other_input\combine_txt"
+output_mp4_dir = rf"C:\Users\Administrator\Desktop\mp4\other_output"
+```
+
+`input_txt_dir`为输入点云的目录；
+
+`output_dir`为重构点云的输出目录；
+
+`output_mp4_dir`为mp4视频的输出目录。
+
+
+
+## Installation：
+
+### ffmpeg：
+
+​	需要在命令行中能识别到ffmpeg即可。
+
+
+
+### conda 安装
+
+##### 新建conda环境
+
+```
+conda activate -n semantic_rotation python==3.8 -y
+pip install open3d==0.17.0
+pip install opencv-python==4.10.0.82
+git clone 
+cd semantic_rotation
+pip install . -e
+```
+
+##### 从已有环境安装(需要注意open3d版本的关系，报错可以新建conda环境)
+
+```
+conda activate your_env
+gir clone 
+cd semantic_rotation
+pip install . -e
+```
+
+
+
+
+
+## 输入点云要求：
+
+1. txt格式；
+2. 间隔符为空格；
+3. 前七列是x y z r g b 和语义信息。
+
+
+
+## 备注：
+
+ #输出的视频时长为14s，不支持自定义调节
+
+ #在第七秒进行过渡，过渡时长为0.5s 
+
+ #设置y轴为点云旋转轴
+
+
+

.idea/inspectionProfiles/profiles_settings.xml

@@ -0,0 +1,113 @@
+import os
+import numpy as np
+
+def translate_and_scale_point_cloud(input_file, output_dir, overwrite=False):
+    # 获取输入文件名（不包括扩展名）
+    input_filename = os.path.splitext(os.path.basename(input_file))[0]
+
+    # 构建输出文件路径
+    output_file = os.path.join(output_dir, f"{input_filename}.txt")
+    if overwrite == False:
+        # 检查输出文件是否存在
+        if os.path.exists(output_file):
+            print(f"输出文件 {output_file} 已完成平移和旋转,无需重复执行")
+            return
+    # 读取点云文件的前7列数据
+    point_cloud = np.genfromtxt(input_file, skip_header=1, usecols=range(7))
+
+    # 获取xyz坐标
+    xyz = point_cloud[:, :3]
+
+    # 计算xz的平均值
+    mean_x, _, mean_z = np.mean(xyz, axis=0)
+
+    # 平移点云
+    xyz[:, 0] -= mean_x
+    xyz[:, 2] -= mean_z
+
+    # 计算y的范围
+    min_y, max_y = np.min(xyz[:, 1]), np.max(xyz[:, 1])
+    y_range = max_y - min_y
+
+    # 如果y的范围大于0.75,则缩放点云
+    if y_range > 1:
+        scale_factor = 1 / y_range
+        xyz *= scale_factor
+
+    # 计算y的平均值
+    mean_y = np.mean(xyz[:, 1])
+
+    # 平移y坐标,使其均值落在-0.1
+    xyz[:, 1] -= mean_y - (-0.1)
+
+    # 更新点云数据的前3列
+    point_cloud[:, :3] = xyz
+
+    # 保存处理后的7列点云数据到输出文件
+    np.savetxt(output_file, point_cloud, fmt='%.6f')
+
+    # 正方体边长
+    length = 1
+
+    # 正方体中心点坐标
+    center = np.array([0, 0, 0])
+
+    # 生成正方体顶点坐标
+    vertices = np.array([
+        [-length / 2, -length / 2, -length / 2],
+        [length / 2, -length / 2, -length / 2],
+        [length / 2, length / 2, -length / 2],
+        [-length / 2, length / 2, -length / 2],
+        [-length / 2, -length / 2, length / 2],
+        [length / 2, -length / 2, length / 2],
+        [length / 2, length / 2, length / 2],
+        [-length / 2, length / 2, length / 2]
+    ]) + center
+
+    # 定义正方体边的顶点索引
+    edges = [
+        (0, 1), (1, 2), (2, 3), (3, 0),  # 底面边
+        (4, 5), (5, 6), (6, 7), (7, 4),  # 顶面边
+        (0, 4), (1, 5), (2, 6), (3, 7)  # 侧面边
+    ]
+
+    # 创建正方体点云数据
+    cube_point_cloud = []
+
+    for edge in edges:
+        start, end = vertices[edge[0]], vertices[edge[1]]
+
+        # 计算边上的点的数量（这里设置为边长的10倍）
+        num_points = int(length * 10)
+
+        # 生成边上的点坐标
+        for i in range(num_points + 1):
+            t = i / num_points
+            x = start[0] + t * (end[0] - start[0])
+            y = start[1] + t * (end[1] - start[1])
+            z = start[2] + t * (end[2] - start[2])
+
+            # 设置为白色
+            r = g = b = 255
+            cube_point_cloud.append([x, y, z, r, g, b, 2])
+
+    # 将正方体点云数据转换为NumPy数组
+    cube_point_cloud = np.array(cube_point_cloud)
+
+    # 组合原始点云和正方体点云
+    combined_point_cloud = np.vstack((point_cloud, cube_point_cloud))
+
+    # 创建输出目录（如果不存在）
+    os.makedirs(output_dir, exist_ok=True)
+
+    # 获取输入文件名（不包括扩展名）
+    input_filename = os.path.splitext(os.path.basename(input_file))[0]
+
+    # 构建输出文件路径
+    output_file = os.path.join(output_dir, f"{input_filename}.txt")
+
+    # 保存结果到新的txt文件
+    header = 'x y z r g b object_id'
+    fmt = ['%.6f'] * 3 + ['%d'] * 4  # 设置保存格式
+    np.savetxt(output_file, combined_point_cloud, fmt=fmt, delimiter=' ', header=header, comments='')
+