关于从Python中的点云进行3D网格重建的问题，有几个主题。通常，当X，Y，Z坐标可用并且不存在体积表示时，通过激光扫描获取。我已经尝试了许多库：
matplotlib，
mayavi，
open3D，
阴谋地
pcl，
等等，但结果相对较差。其中一些插图如下。
让我们仔细看一下说明性示例-源data（download text file here）表示存储为X，Y，Z坐标文本文件的建筑物的一部分（角+屋顶）：
我从matplotlib库开始工作：
def drawMesh(x, y, z):
fig = plt.figure(figsize=plt.figaspect(0.5))
min_radius = 0.25
triang = mtri.Triangulation(x, y)
xmid = x[triang.triangles].mean(axis=1)
ymid = y[triang.triangles].mean(axis=1)
mask = np.where(xmid ** 2 + ymid ** 2 < min_radius ** 2, 1, 0)
triang.set_mask(mask)
ax = fig.add_subplot(1, 2, 2, projection='3d')
ax.plot_trisurf(triang, z)
plt.show()
但是，它仅使用2D Delaunay三角剖分。结果在这里：
第二次尝试导致了mayavi库。 2D三角剖分
def drawMesh(x, y, z):
mlab.figure(1, fgcolor=(0, 0, 0), bgcolor=(1, 1, 1))
pts = mlab.points3d(x, y, z, z, scale_mode='none', scale_factor=0.2, extent=[0, 1, 0, 1, 0, 1])
mesh = mlab.pipeline.delaunay2d(pts)
surf = mlab.pipeline.surface(mesh)
mlab.show()
遭受同样的问题：
不幸的是，替代了3D Delaunay
mesh = mlab.pipeline.delaunay3d(pts)
仅生成凸包：
open3D库，它使用球透视算法：
def drawMesh(file_txt):
pcd = o3d.io.read_point_cloud(file_txt, format='xyz')
pcd.estimate_normals()
distances = pcd.compute_nearest_neighbor_distance()
avg_dist = np.mean(distances)
radius = 1.5 * avg_dist
mesh = o3d.geometry.TriangleMesh.create_from_point_cloud_ball_pivoting(pcd, o3d.utility.DoubleVector([radius, radius * 2]))
trimesh = trimesh.Trimesh(np.asarray(mesh.vertices), np.asarray(mesh.triangles), vertex_normals=np.asarray(mesh.vertex_normals))
trimesh.show()
提供带有孔的相对稀疏的三角形表面：
我的问题是：
当不存在体积表示时，是否有任何Pythonic库（或Python绑定）支持从点云（坐标X，Y，Z）更好地重建网格？
否则，是否有任何其他库可能比上述尝试更好？
否则，任何人都可以使用任何其他（可用）软件来获得附加数据的更好结果吗？我尝试了云比较和Meshlab，但是输出比预期的要差。
CGAL可能看起来很有前途，但其安装和配置并不容易...
抱歉，我冗长的帖子，感谢您的帮助。
最佳答案
原则上不可能仅根据点信息来创建卷，因此将没有库可以做到这一点。
作为一个简单的例子，请考虑以下几点
应该在什么区域？ 3D中存在相同的问题。
关于python - Python:从点云创建3D网格/曲面，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59628420/