对于我正在进行的一个项目，我已经成功地对道路图像数据执行了 SFM 程序，并且能够生成一个包含点云坐标（X、Y、Z）、RGB 值和法线（nx、纽约，新西兰）。
现在，我有兴趣从我拥有的数据中计算每个点的曲率值。我在 Python 中遇到过Surface Curvature MATLAB Equivalent，但据说该实现仅在 X、Y 和 Z 是二维数组时才有效。
如果路面非常粗糙，是否适用高斯曲率和平均曲率？给定大小为 NX3 的 (X,Y,Z) 坐标数据和大小为 NX3 的 (nx,ny,nz) 法线数据，我应该如何找到曲率？Python中有当前的实现吗？
我实际上正在编写一个用于处理点云的 Python 库。
使用原始点云，我知道的唯一“曲率”概念是使用从每个点的邻域获得的特征值计算的概念。
如果这就是你的意思，这里有一个示例代码：
from pyntcloud import PyntCloud
cloud = PyntCloud.from_file("Box.ply")
这是里面的示例点云Box.ply：
计算曲率的步骤是：
获取每个点的 k 邻域：
k_neighbors = cloud.get_neighbors(k=10)
k使用它的（在本例中为 10 个）邻居计算每个点的特征值：
ev = cloud.add_scalar_field("eigen_values", k_neighbors=k_neighbors)
根据这些特征值计算曲率：
cloud.add_scalar_field("curvature", ev=ev)
使用新的标量字段保存云：
cloud.to_file("out.ply")
out.ply这是根据分配给每个点的曲率值着色的点云内部（白色是较高的曲率值）：
这是一个关于如何过滤点云以仅保留曲率值高于平均值的点的示例：
curvature = cloud.points["curvature(K(16))"]
cloud.points = cloud.points[curvature > curvature.mean()]
cloud.to_file("out.ply")
以及新的内容out.ply：
