What does the Open3d AI skill do?

Use when processing 3D point clouds and meshes in Python — read/write PLY/PCD, voxel downsample, normal estimation, outlier removal, RANSAC + ICP registration, Poisson surface reconstruction, quadric decimation, and headless/offscreen visualization. Open3D is Intel's open-source 3D data processing library with a C++ core and Python API.

Why use Open3d on TypingMind?

Because you install it once and use it with any model. Open3d is plain Markdown rather than provider-specific code, so the same skill runs on GPT-5, Claude, Gemini, Grok, or a local model — and you can switch model mid-chat without it breaking. TypingMind runs on your own API keys, so you pay providers directly instead of a per-seat subscription, and your skills and chats stay in your own storage.

How do I install Open3d in TypingMind?

Open Plugins → Skills → Install from GitHub in TypingMind and paste https://github.com/znlgis/opengis-skills/tree/main/3d/open3d. TypingMind reads its SKILL.md and installs it as a skill you can enable per chat.

Which AI models can use Open3d?

Any model you connect in TypingMind. AI skills are plain Markdown instructions rather than provider-specific code, so GPT, Claude, Gemini, Grok, and local models can all load this skill when a request matches it.

How many AI models can I use with Open3d?

As many as you like. As long as a model supports skills, you can use Open3d with it — GPT, Claude, Gemini, Grok, DeepSeek, Mistral, Llama and more — all on TypingMind with your own API keys.

Is the Open3d AI skill free?

Yes. It is published on GitHub by znlgis under the MIT license. You only pay your own AI provider for the tokens you use.

An AI skill is a reusable instruction bundle that teaches an AI model how to do one specific task. It follows the open Agent Skills format: a SKILL.md file with a name and description, plus any scripts, templates or reference files the model may need. The model reads the instructions only when your request matches the skill, so an installed skill costs nothing until it is used.

How are AI skills different from plugins or MCP servers?

A plugin or MCP server gives a model new tools to call — code that runs somewhere and returns a result. An AI skill gives the model knowledge and process instead: how to approach a task, which steps to follow, what good output looks like. Skills are plain Markdown, so they need no server, no API key and no runtime, and they work with any model.

Open3d by znlgis — AI Skill for Any LLM

项目地址： https://github.com/isl-org/Open3D

官方文档： https://www.open3d.org/docs/ ｜ Python API： https://www.open3d.org/docs/release/python_api/

许可证： MIT ｜ 最新版本： v0.20.0（PyPI open3d 与 GitHub Releases 双核实）｜ 默认分支： main

概述

Open3D 是由 Intel 开源（组织 isl-org）的现代 3D 数据处理库，采用 C++ 内核并提供等价的 Python 与 C++ 接口，覆盖点云、网格、体素与 RGB-D 数据的完整处理链路。它以「一套数据结构 + 一套算法」把 IO、滤波、配准、重建、可视化串联起来，是学术与工程界处理三维数据的事实标准之一。

点云：读写、体素/均匀下采样、法线估计、统计与半径离群点移除、平面分割、DBSCAN 聚类、裁剪。
配准：粗配准（RANSAC / Fast Global Registration + FPFH 特征）与精配准（ICP，点到点 / 点到面）。
网格：表面重建（泊松、Ball Pivoting、Alpha Shape）、二次误差简化、法线计算、平滑与拓扑修复。
可视化：draw_geometries 快速查看、O3DVisualizer 可编程 GUI、OffscreenRenderer 无头渲染与截图。
生态：与 NumPy 零拷贝互操作；张量后端与几何深度学习算子；覆盖桌面、服务器与传感器（RealSense）场景。

环境准备

安装

bash
# 需要 Python >= 3.10（PyPI 元数据 requires_python）
pip install open3d

# 升级到最新版本
pip install --upgrade open3d

官方为 Linux / macOS / Windows 提供预编译 wheel，通常无需自行编译 C++ 内核。

验证安装

bash
python -c "import open3d as o3d; print(o3d.__version__)"
# 预期输出：0.20.0

运行环境说明

桌面可视化（draw_geometries）需要 OpenGL / GLFW 图形环境，在本地桌面可直接使用。
无头服务器（CI、容器）请改用离屏渲染接口 o3d.visualization.rendering.OffscreenRenderer，不要调用需要窗口的 GUI 接口。
官方文档的稳定版位于 https://www.open3d.org/docs/release/，版本号可能滞后于 PyPI 发布。

核心 API 速览

以下函数名与签名均以官方 Python API 文档为准。

点云 IO 与格式支持

函数	说明
`o3d.io.read_point_cloud(path)`	按扩展名解码读取点云
`o3d.io.write_point_cloud(path, pcd)`	按扩展名写出点云
`o3d.io.read_triangle_mesh(path)` / `write_triangle_mesh`	读取/写出三角网格

点云支持格式（官方 File IO）：xyz、xyzn、xyzrgb、pts、ply、pcd。网格支持格式：ply、stl、obj、off、gltf / glb。

LAS / LAZ 不在 Open3D 原生支持范围内：需先用 PDAL、laspy 或 CloudCompare 转为 ply / pcd 再读入（见 FAQ）。

点云基础操作

方法	签名要点	用途
`voxel_down_sample(voxel_size)`	体素边长	均匀降采样，保持几何分布
`uniform_down_sample(every_k_points)`	每 k 个点取一个	快速抽稀
`estimate_normals(search_param, fast_normal_computation=True)`	`KDTreeSearchParamHybrid(radius, max_nn)`	估计法线
`remove_statistical_outlier(nb_neighbors, std_ratio)`	返回 `(pcd, indices)`	统计离群点移除
`remove_radius_outlier(nb_points, radius)`	返回 `(pcd, indices)`	半径离群点移除
`segment_plane(distance_threshold, ransac_n, num_iterations)`	RANSAC	平面分割（地面/桌面）
`cluster_dbscan(eps, min_points)`	返回标签数组	欧氏聚类分簇
`compute_point_cloud_distance(target)`	返回距离向量	点到点云的距离/误差
`paint_uniform_color(color)` / `transform(T)`	颜色、4×4 变换	着色、位姿变换

NumPy 集成

points / normals / colors 均为 Vector3dVector，可与 NumPy 零拷贝互转：

python
import numpy as np
import open3d as o3d

pcd = o3d.io.read_point_cloud("input.ply")
pts = np.asarray(pcd.points)                      # (N, 3) float64
colors = np.random.rand(len(pts), 3)
pcd.colors = o3d.utility.Vector3dVector(colors)   # 回写
pcd.points = o3d.utility.Vector3dVector(pts * 0.001)  # 例如 mm -> m

配准（registration）

名称	说明
`o3d.pipelines.registration.registration_icp(source, target, threshold, init, estimation, criteria)`	精配准 ICP
`TransformationEstimationPointToPoint(with_scaling=False)`	点到点误差
`TransformationEstimationPointToPlane()`	点到面误差（需法线）
`ICPConvergenceCriteria(max_iteration=...)`	迭代收敛条件
`evaluate_registration(source, target, threshold, transform)`	评估配准质量（fitness / inlier_rmse）
`compute_fpfh_feature(pcd, search_param)`	计算 33 维 FPFH 特征
`registration_ransac_based_on_feature_matching(...)`	基于特征的 RANSAC 粗配准
`CorrespondenceCheckerBasedOnEdgeLength / OnDistance / OnNormal`	对应关系校验器
`RANSACConvergenceCriteria(max_iteration, confidence)`	RANSAC 收敛条件

网格重建与处理

名称	说明
`TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9)`	泊松重建，返回 `(mesh, densities)`
`TriangleMesh.create_from_point_cloud_ball_pivoting(pcd, radii)`	Ball Pivoting，需法线
`TriangleMesh.create_from_point_cloud_alpha_shape(pcd, alpha)`	Alpha Shape，需调 `alpha`
`orient_normals_consistent_tangent_plane(k)`	法线一致化（泊松前必做）
`simplify_quadric_decimation(target_number_of_triangles=...)`	二次误差简化
`compute_vertex_normals()` / `compute_triangle_normals()`	计算法线
`remove_vertices_by_mask(mask)`	按掩码删除顶点（如剔除低密度区）

可视化

名称	说明
`o3d.visualization.draw_geometries([geo, ...])`	快速查看，支持 `zoom/front/lookat/up`、`point_show_normal`
`o3d.visualization.O3DVisualizer`	可编程 GUI（`add_geometry`、`show`），适合自定义交互
`o3d.visualization.rendering.OffscreenRenderer(width, height)`	无头离屏渲染；`setup_camera` + `render_to_image` / `render_to_depth_image`

典型工作流

工作流一：点云基础操作链（读取 → 滤波 → 下采样 → 法线）

python
import open3d as o3d

pcd = o3d.io.read_point_cloud("raw.ply")

# 1. 统计离群点移除（去噪）
pcd, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)

# 2. 体素下采样，统一密度
down = pcd.voxel_down_sample(voxel_size=0.02)

# 3. 估计并一致化法线
down.estimate_normals(
    o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
down.orient_normals_consistent_tangent_plane(100)

o3d.io.write_point_cloud("clean.ply", down)
o3d.visualization.draw_geometries([down], point_show_normal=True)

工作流二：粗配准 RANSAC + 精配准 ICP

python
import copy
import numpy as np
import open3d as o3d

source = o3d.io.read_point_cloud("scan_a.pcd")
target = o3d.io.read_point_cloud("scan_b.pcd")
voxel_size = 0.05

def preprocess(pcd):
    d = pcd.voxel_down_sample(voxel_size)
    d.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=voxel_size * 2, max_nn=30))
    fpfh = o3d.pipelines.registration.compute_fpfh_feature(
        d, o3d.geometry.KDTreeSearchParamHybrid(radius=voxel_size * 5, max_nn=100))
    return d, fpfh

src_down, src_fpfh = preprocess(source)
tgt_down, tgt_fpfh = preprocess(target)

# 粗配准：RANSAC + FPFH
dist = voxel_size * 1.5
result_ransac = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(
    src_down, tgt_down, src_fpfh, tgt_fpfh, True, dist,
    o3d.pipelines.registration.TransformationEstimationPointToPoint(False), 3,
    [o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.9),
     o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(dist)],
    o3d.pipelines.registration.RANSACConvergenceCriteria(100000, 0.999))

# 精配准：ICP（点到面），用粗配准结果作为初值
result_icp = o3d.pipelines.registration.registration_icp(
    source, target, voxel_size * 0.4, result_ransac.transformation,
    o3d.pipelines.registration.TransformationEstimationPointToPlane())

print(result_icp.fitness, result_icp.inlier_rmse)

# 评估并可视化
eval_ = o3d.pipelines.registration.evaluate_registration(
    source, target, voxel_size * 0.4, result_icp.transformation)
src_tmp = copy.deepcopy(source).transform(result_icp.transformation)
o3d.visualization.draw_geometries([src_tmp, target])

工作流三：网格重建（泊松 + 裁剪 + 简化）

python
import numpy as np
import open3d as o3d

pcd = o3d.io.read_point_cloud("clean.ply")
pcd.estimate_normals(
    o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
pcd.orient_normals_consistent_tangent_plane(100)

# 泊松重建：depth 越大细节越多、越慢
mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9)

# 剔除低密度区域（重建产生的伪面）
densities = np.asarray(densities)
mesh.remove_vertices_by_mask(densities < np.quantile(densities, 0.01))

# 二次误差简化，控制三角形数量
mesh = mesh.simplify_quadric_decimation(target_number_of_triangles=20000)
mesh.compute_vertex_normals()
o3d.io.write_triangle_mesh("recon.glb", mesh)

工作流四：可视化与无头截图

python
import open3d as o3d

mesh = o3d.io.read_triangle_mesh("recon.glb")

# 本地桌面：交互查看
o3d.visualization.draw_geometries([mesh], mesh_show_back_face=True)

# 无头服务器：离屏渲染成图像
renderer = o3d.visualization.rendering.OffscreenRenderer(1024, 768)
renderer.scene.add_geometry("mesh", mesh,
    o3d.visualization.rendering.MaterialRecord())
renderer.setup_camera(60.0, mesh.get_center(), [0, 0, 3], [0, 0, 1])
image = renderer.render_to_image()
o3d.io.write_image("screenshot.png", image)

工作流五：与高斯泼溅（3DGS）的上下游关系

Open3D 处理的是有序/无序几何点集（位置 + 可选法线/颜色），而 3DGS 的 .ply 存的是高斯基元（位置 + 协方差/缩放旋转 + 不透明度 + 球谐系数），两者数据布局不同，不能直接用 read_point_cloud 当作普通点云读取。

上游（Open3D → 3DGS）：用 Open3D 清洗 COLMAP 稀疏点云、配准多视点云、估计法线、裁剪感兴趣区域，产出更干净的点云再送入 3DGS 训练。
下游（3DGS → 几何）：从 3DGS 渲染深度/多视图像后，用 Open3D 做 TSDF/泊松重建得到可编辑网格。
可视化侧：高斯模型请在浏览器/专用查看器处理，见 supersplat；Open3D 只负责几何点云与网格。

最佳实践

下采样先行：任何重算法（法线、FPFH、ICP、泊松）前先 voxel_down_sample，既提速又稳定。
法线是重建的前提：泊松与 Ball Pivoting 都依赖法线，务必先 estimate_normals 再 orient_normals_consistent_tangent_plane。
ICP 需要好初值：直接对未知位姿的扫描做 ICP 易陷入局部最优；先用 RANSAC/FGR 粗配准，再用点到面 ICP 精修。
阈值随尺度走：配准距离阈值常取 voxel_size * 1.5（粗）与 voxel_size * 0.4（精），重建/滤波参数也应按点云尺度设定，而非固定常量。
离群点用两级策略：remove_statistical_outlier 去稀疏噪声，remove_radius_outlier 去孤立簇，按数据特征选用。
无头环境别调 GUI：服务器/CI 使用 OffscreenRenderer，避免 draw_geometries 因缺少 GLFW/OpenGL 报错。
大点云注意内存：np.asarray 是视图（零拷贝），但 Vector3dVector 回写会拷贝；处理千万级点云时优先用下采样后的副本。

常见问题（FAQ）

问题	解决
`pip install open3d` 失败 / 找不到 wheel	确认 Python ≥ 3.10 且为 64 位；换用 `pip install --upgrade pip` 后重试；必要时指定平台 wheel
`import open3d` 报 GLIBCXX / 动态库错误	Linux 上多为系统 libstdc++ 过旧，升级系统库或改用官方兼容 wheel；勿混装多版本 Open3D
`draw_geometries` 报错、闪退或无窗口	无头/容器环境缺少 OpenGL/GLFW；改用 `OffscreenRenderer` 离屏渲染，或安装 Xvfb/EGL 支持
读取 LAS / LAZ 失败	Open3D 原生不支持 LAS/LAZ；先用 PDAL / laspy / CloudCompare 转为 `ply` 或 `pcd` 再读
`write_point_cloud` 写出没有颜色	确认已设置 `pcd.colors`，且目标格式（如 `xyz`）本身不支持颜色；改用 `ply` / `pcd`
泊松重建结果有大量飞面/破洞	法线未一致化或点云噪声大：先 `orient_normals_consistent_tangent_plane`，并用 `remove_vertices_by_mask(densities < 分位数)` 裁剪低密度区
ICP 配准结果发散 / 不收敛	初值太差：先做 RANSAC 粗配准；或降低距离阈值、改用点到面估计并确保目标点云有法线
点云单位/尺度不对	读入后按需缩放：`pcd.points = o3d.utility.Vector3dVector(np.asarray(pcd.points) * 0.001)`
无法把 3DGS 的 `.ply` 当点云读	高斯 `.ply` 含缩放/旋转/不透明度/球谐，非标准点云；请用 SuperSplat 等 3DGS 工具处理

AI 使用建议

用户提到「点云处理」「PLY/PCD 读写」「点云配准」「ICP / RANSAC」「泊松重建」「网格简化」「Open3D 可视化」时加载本技能。
区分三条主线：点云操作链（读取→滤波→下采样→法线）、配准（RANSAC 粗 + ICP 精）、网格重建（法线一致化 → 泊松 → 简化）。
一切重算法前先下采样；重建前必须先估计并一致化法线——这两点是排查结果异常的首要检查项。
配准参数随点云尺度设定（阈值取 voxel_size 的倍数），不要硬编码固定数值。
无头/服务器场景一律用 OffscreenRenderer，不要建议 draw_geometries。
不要臆造：Open3D 原生不支持 LAS/LAZ 与 3DGS 高斯 .ply；点云 IO 只有 xyz/xyzn/xyzrgb/pts/ply/pcd，网格 IO 为 ply/stl/obj/off/gltf/glb，函数名以官方 Python API 文档为准。

参考资源

官方文档（稳定版）：https://www.open3d.org/docs/release/
Python API 索引：https://www.open3d.org/docs/release/python_api/
点云教程：https://www.open3d.org/docs/release/tutorial/geometry/pointcloud.html
表面重建教程：https://www.open3d.org/docs/release/tutorial/geometry/surface_reconstruction.html
配准教程（ICP / 全局配准）：https://www.open3d.org/docs/release/tutorial/pipelines/icp_registration.html
可视化教程：https://www.open3d.org/docs/release/tutorial/visualization/visualization.html
源码仓库：https://github.com/isl-org/Open3D

Publisher	znlgis
Repository	`opengis-skills`
Skill name	`open3d`
Stars	76
Forks	12
Bundled files	Instructions only
License	MIT
Links	Skill source Repository

Open3d

Overview

Installation

Install in TypingMind

Install in another agent

Use it in TypingMind

Works with any AI model

Skill instructions

概述

环境准备

安装

验证安装

运行环境说明

核心 API 速览

点云 IO 与格式支持

点云基础操作

NumPy 集成

配准（registration）

网格重建与处理

可视化

典型工作流

工作流一：点云基础操作链（读取 → 滤波 → 下采样 → 法线）

工作流二：粗配准 RANSAC + 精配准 ICP

工作流三：网格重建（泊松 + 裁剪 + 简化）

工作流四：可视化与无头截图

工作流五：与高斯泼溅（3DGS）的上下游关系

最佳实践

常见问题（FAQ）

AI 使用建议

相关技能

参考资源

Frequently asked questions

Set up your own AI workspace now

Overview

Installation

Install in TypingMind

Install in another agent

Use it in TypingMind

Works with any AI model

Skill instructions

概述

环境准备

安装

验证安装

运行环境说明

核心 API 速览

点云 IO 与格式支持

点云基础操作

NumPy 集成

配准（registration）

网格重建与处理

可视化

典型工作流

工作流一：点云基础操作链（读取 → 滤波 → 下采样 → 法线）

工作流二：粗配准 RANSAC + 精配准 ICP

工作流三：网格重建（泊松 + 裁剪 + 简化）

工作流四：可视化与无头截图

工作流五：与高斯泼溅（3DGS）的上下游关系

最佳实践

常见问题（FAQ）

AI 使用建议

相关技能

参考资源

Frequently asked questions

Related AI Skills

Set up your own AI workspace now