加速深度图像到点云的转换（Python）

Question

我目前正在尝试用python加速从深度到点云的转换。目前代码如下所示：

   color_points = []
   for v in range(depth.shape[1]):
        for u in range(depth.shape[0]):
            z = depth[u,v] / self.scaling_factor
            if z == 0:   # here np.where can be used prior to the loop
                continue
            x = (u - self.center_x) * z / self.focalLength     # u and v are needed, no clue how to do this
            y = (v - self.center_y) * z / self.focalLength

            color_points.append([x, y, z])

我的主要问题是，我不知道任何函数（比如np.where）可以加速图像阵列的循环，同时仍然具有像素的索引（例如u和v）。需要索引，因为计算取决于像素在传感器上的位置

Cython将是加速它的一个选项，但我仍然认为NumPy中一定有更好的功能可用

谢谢你的帮助

编辑：将Z计算添加到函数中。比例因子取决于获取深度图像的格式。在我的例子中，我以[mm]为单位获得深度，并将其转换为米

Answer 1

这里是我的尝试，使用np.mgrid在numpy数组中计算u和v，这避免了缓慢的循环，并允许利用numpy的通用函数

import numpy as np
depth = np.random.uniform(size=(4,4)) # Just so this sample can be run
grid = np.mgrid[0:depth.shape[0],0:depth.shape[1]]
u, v = grid[0], grid[1]
z = depth / scaling_factor
adjusted_z = z / focal_length
x = (u - center_x) * adjusted_z
y = (v - center_y) * adjusted_z
color_points = np.stack([x,y,z], axis=-1).reshape(-1,3)

请注意，我没有为z=0筛选color_points，但是您可以使用color_points[z.reshape(-1) != 0]进行筛选。还请注意，我的color_points的订购方式将与您的不同（u在v之前）。深度估计场景可能并不重要