1、批量处理txt文件

import numpy as np
f_path=r'C:\Users\Admin\Desktop\shapenetcore_partanno_segmentation_benchmark_v0_normal_new\00000001\10.txt'
with open(f_path) as f:
    contents=f.read()
'''print(contents)'''
print(type(contents))
a = contents.split()
'''print(a)'''
a = np.array(a)
a = a.reshape(578628,9)
a = a[:,0:7]
print(a[0,0])
print(type(a ))

f_path=r'C:\Users\Admin\Desktop\shapenetcore_partanno_segmentation_benchmark_v0_normal_new\00000001\10.txt'
with open(f_path, 'w') as f:
        '''按列生成矩阵'''
        '''np.savetxt(f, np.column_stack(a), fmt='%s')'''
        '''按行生成矩阵'''
        np.savetxt(f, np.row_stack(a), fmt='%s')

2、路径的读取
1.os.getcwd()
print(" os.getcwd()",os.getcwd())的作用是获取当前文件的路径，和linux的pwd命令一致，其中getcwd()方法不能加参数

 os.getcwd() C:\Users\Admin\Desktop\Pointnet2

2.os.path.abspath(args)
os.path.abspath()要加上参数，用法是：在当前的工作目录下追加一个目录

3.拼接目录之os.path.join(ROOT_DIR, “mrcnn”)
os.path.join(ROOT_DIR, “logs”)必须要加上两个参数拼接，其中　ROOT_DIR一般通过os.getcwd()获得。

4.拼接目录之os.path.abspath(“mrcnn”)
os.path.abspath(“mrcnn”)的作用和３中的作用是一致的，但是本人觉得通过os.path.join方法更灵活，因为os.path.abspath(“mrcnn”)方法只能得到一个基于当前目录的路径，而os.path.join(ROOT_DIR, “mrcnn”)中的ROOT_DIR则可以是其他的路径，比如存放图片的路径，存放模型的路径等，先用ROOT_DIR定义，之后再调用。

3、tqdm介绍及常用方法
Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。
使用pip就可以安装。

使用方法一: tqdm

tqdm(list)方法可以传入任意一种list,比如数组

from tqdm import trange
for i in trange(100):
    #do something
    pass

使用方法二: trange

trange(i) 是 tqdm(range(i)) 的简单写法

from tqdm import trange
for i in trange(100):
    #do something
    pass

使用方法三: 手动方法

在for循环外部初始化tqdm,可以打印其他信息

bar = tqdm(["a", "b", "c", "d"])
for char in pbar:
    pbar.set_description("Processing %s" % char)

optimizer.zero_grad() 功能
梯度初始化为零，把loss关于weight的导数变成0

Pytorch 中的view函数作用是将张量铺平

4、显示三维点云
需要安装模块：
open3d numpy matplotlib pandas plyfile pyntcloud

单独读取数据集，并在open3d中显示原点云图
注意：要把对应的数据集文件 如：”0.txt”放在对应的代码路径下

import open3d as o3d
import os
import numpy as np
import matplotlib.pyplot as plt
from pandas import DataFrame
from pyntcloud import PyntCloud

point_cloud_raw = np.genfromtxt(r"0.txt", delimiter=" ")  # 为 xyz的 N*3矩阵
point_cloud_raw = DataFrame(point_cloud_raw[:,0:3])  # 选取每一列 的 第0个元素到第二个元素   [0,3)
point_cloud_raw.columns = ['x', 'y', 'z']  # 给选取到的数据 附上标题
point_cloud_pynt = PyntCloud(point_cloud_raw)  # 将points的数据 存到结构体中

point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=False)  # 实例化

o3d.visualization.draw_geometries([point_cloud_o3d])  # 显示原始点云

显示程序2

import open3d as o3d    #导入open3d
import numpy as np
import matplotlib as plt
raw_point_cloud_matrix = np.genfromtxt(r"0.txt", delimiter=" ")
raw_point_cloud_matrix = raw_point_cloud_matrix[:,0:3].reshape((-1,3))
# print(raw_point_cloud_matrix)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(raw_point_cloud_matrix)
print(pcd)
o3d.visualization.draw_geometries([pcd])

o3d.visualization.draw_geometries([point_cloud_o3d])  # 显示原始点云

5、使用matplotlib可视化点云分割结果
如何获取分割结果就不再赘述了，这里主要是在获取了分割结果后如何绘制，我是使用的matplotlib库，以ShapeNet为例:

首先设置每个类别的每个部分的颜色映设表：

import copy
import numpy as np
# 每个种类所对应的part类别
lab2seg={'Earphone': [16, 17, 18], 'Motorbike': [30, 31, 32, 33, 34, 35], 'Rocket': [41, 42, 43], 'Car': [8, 9, 10, 11],
     'Laptop': [28, 29], 'Cap': [6, 7], 'Skateboard': [44, 45, 46], 'Mug': [36, 37], 'Guitar': [19, 20, 21],
     'Bag': [4, 5], 'Lamp': [24, 25, 26, 27], 'Table': [47, 48, 49], 'Airplane': [0, 1, 2, 3], 'Pistol': [38, 39, 40],
     'Chair': [12, 13, 14, 15], 'Knife': [22, 23]}
#获取所要绘制点云数据的类别
cls=[]
with open('/results/seg_model_2.txt', 'r') as f:
    for i,line in enumerate(f):
        ls=line.strip().split()
        cls.append(ls[0][1:-2])
#生成颜色映射表
#因为只有几种颜色可选，所以分割结果按这几种颜色随机分配，可以自己改成其他的
map = ['r', 'g', 'b', 'c', 'm', 'y'] 
#随机生成颜色映射
idx = np.arange(0, len(map))
idx_all = []
np.random.seed(123)
for _ in range(len(lab2seg)):
    np.random.shuffle(idx)
    idx_all.append(copy.deepcopy(idx))
idx_all = np.array(idx_all)
#将生成的颜色映射表对应到不同种类的part类别上
for i,key in enumerate(lab2seg.keys()):
    lab2seg[key]=dict(zip(set(lab2seg[key]),[map[idx_all[i,j]] for j in range(len(set(lab2seg[key])))]))

依据所得到的颜色映射表绘制分割结果

def data_depict(bsize,fn，lab2seg,cls):
#bsize: 数据个数
#fn: 路径
#lab2seg: 生成的颜色对应表，即每个种类的每个part类别所对应的颜色，作为输入是为了使得不同结果间保持一致
#cls: 每个点云数据所对应的类别
    for j in range(bsize):
    	#读取点云和分割结果数据
        data= np.loadtxt(fn+'%d.txt'%j).astype(np.float32)
        #归一化
        data[:,:3]=pc_normalize(data[:,:3])
        #将数据点的part类别对应为lab2seg中设置的颜色
        colormap = [[] for _ in range(len(data))]
        for i in range(len(data)):
            colormap[i] = lab2seg[cls[j]][data[i, -1]]
        #设置图片大小
        plt.figure(figsize=(10,10))
        ax = plt.subplot(111, projection='3d')
        #设置视角
        ax.view_init(elev=30, azim=-60)
        #关闭坐标轴
        plt.axis('off')
        #设置坐标轴范围
        ax.set_zlim3d(-1, 1)
        ax.set_ylim3d(-1, 1)
        ax.set_xlim3d(-1, 1)
        ax.scatter(data[:, 0], data[:, 1], data[:, 2], c=colormap, s=20, marker='.') #, cmap='plasma')
        # plt.show()
        #保存为.eps文件，也可以是其他类型，注意保存不能和显示同时使用
        plt.savefig(fn + '%d.eps' % j, dpi=500,bbox_inches='tight',transparent=True)
    plt.close()
  
def pc_normalize(pc):
    l = pc.shape[0]
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid[np.newaxis,:]
    m = np.max(np.sqrt(np.sum(np.power(pc,2), axis=1)),axis=0)
    pc = pc / m[np.newaxis,np.newaxis]
    return pc

import copy
import numpy as np
import matplotlib.pyplot as plt

def pc_normalize(pc):
    l = pc.shape[0]
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid[np.newaxis, :]
    m = np.max(np.sqrt(np.sum(np.power(pc, 2), axis=1)), axis=0)
    pc = pc / m[np.newaxis, np.newaxis]
    return pc

def data_depict(bsize, fn,lab2seg, cls):
    # bsize: 数据个数
    # fn: 路径
    # lab2seg: 生成的颜色对应表，即每个种类的每个part类别所对应的颜色，作为输入是为了使得不同结果间保持一致
    # cls: 每个点云数据所对应的类别
    for j in range(bsize):
        # 读取点云和分割结果数据
        data = np.loadtxt(fn + '%d.txt' % j).astype(np.float32)
        # 归一化
        data[:, :3] = pc_normalize(data[:, :3])
        # 将数据点的part类别对应为lab2seg中设置的颜色
        colormap = [[] for _ in range(len(data))]
        for i in range(len(data)):
            colormap[i] = lab2seg[cls[j]][data[i, -1]]
        # 设置图片大小

        plt.figure(figsize=(10, 10))
        ax = plt.subplot(111, projection='3d')
        # 设置视角
        ax.view_init(elev=30, azim=-60)
        # 关闭坐标轴
        plt.axis('off')
        # 设置坐标轴范围
        ax.set_zlim3d(-1, 1)
        ax.set_ylim3d(-1, 1)
        ax.set_xlim3d(-1, 1)
        ax.scatter(data[:, 0], data[:, 1], data[:, 2], c=colormap, s=20, marker='.')  # , cmap='plasma')
        plt.show()
        # 保存为.eps文件，也可以是其他类型，注意保存不能和显示同时使用
        plt.savefig(fn + '%d.eps' % j, dpi=500, bbox_inches='tight', transparent=True)
    plt.close()

def main():
    print('hello1')
    # 每个种类所对应的part类别
    lab2seg = {'Earphone': [16, 17, 18], 'Motorbike': [30, 31, 32, 33, 34, 35], 'Rocket': [41, 42, 43],
               'Car': [8, 9, 10, 11],
               'Laptop': [28, 29], 'Cap': [6, 7], 'Skateboard': [44, 45, 46], 'Mug': [36, 37], 'Guitar': [19, 20, 21],
               'Bag': [4, 5], 'Lamp': [24, 25, 26, 27], 'Table': [47, 48, 49], 'Airplane': [0, 1, 2, 3],
               'Pistol': [38, 39, 40],
               'Chair': [12, 13, 14, 15], 'Knife': [22, 23]}
    # 获取所要绘制点云数据的类别
    cls = []
    with open('0.txt', 'r') as f:
        for i, line in enumerate(f):
            ls = line.strip().split()
            cls.append(ls[0][1:-2])
    # 生成颜色映射表
    # 因为只有几种颜色可选，所以分割结果按这几种颜色随机分配，可以自己改成其他的
    map = ['r', 'g', 'b', 'c', 'm', 'y']
    # 随机生成颜色映射
    idx = np.arange(0, len(map))
    idx_all = []
    np.random.seed(123)
    for _ in range(len(lab2seg)):
        np.random.shuffle(idx)
        idx_all.append(copy.deepcopy(idx))
    idx_all = np.array(idx_all)
    # 将生成的颜色映射表对应到不同种类的part类别上
    for i, key in enumerate(lab2seg.keys()):
        lab2seg[key] = dict(zip(set(lab2seg[key]), [map[idx_all[i, j]] for j in range(len(set(lab2seg[key])))]))
        print(lab2seg)
    print('hello2')

    data = np.loadtxt('0.txt')
    data = data.astype(np.float32)
    # 归一化
    data[:, :3] = pc_normalize(data[:, :3])
    # 将数据点的part类别对应为lab2seg中设置的颜色
    '''colormap = [[] for _ in range(len(data))]
    for i in range(len(data)):
        colormap[i] = 'g'
    '''
    colormap = [[] for _ in range(len(data))]
    for i in range(len(data)):
        '''colormap[i] = lab2seg[cls[12]][data[i, -1]'''
        #print(data[:, 6][0])
        if data[:, 6][i] == 0:
            colormap[i] = 'g'
        elif data[:, 6][i] == 1:
            colormap[i] = 'r'
        elif data[:, 6][i] == 2:
            colormap[i] = 'b'
        else:
            colormap[i] = 'c'
            # 设置图片大小

    plt.figure(figsize=(10, 10))
    ax = plt.subplot(111, projection='3d')
    # 设置视角
    ax.view_init(elev=30, azim=-60)
    # 关闭坐标轴
    plt.axis('off')
    # 设置坐标轴范围
    ax.set_zlim3d(-1, 1)
    ax.set_ylim3d(-1, 1)
    ax.set_xlim3d(-1, 1)
    ax.scatter(data[:, 0], data[:, 1], data[:, 2], c=colormap, s=20, marker='.')  # , cmap='plasma')
    plt.show()
    # 保存为.eps文件，也可以是其他类型，注意保存不能和显示同时使用
    #plt.savefig('%d.eps', dpi=500, bbox_inches='tight', transparent=True)

if __name__ == '__main__':
    main()