4、点云降采样：体素降采样、随机降采样、均匀降采样
大家好，我是你们的老朋友。今天我们来聊聊点云处理里一个绕不开的话题——降采样。
你想想看，一个激光雷达扫一圈，动辄几十万甚至上百万个点。这么多点，直接拿去跑算法，电脑风扇能转得飞起。我刚开始做SLAM那会儿，就吃过这个亏。有一次在园区跑数据，笔记本直接卡死，重启后一看，点云文件1.2个G。嗯，从那以后，我养成了一个习惯：拿到点云，先降采样。
降采样说白了，就是用更少的点，保留尽可能多的几何结构信息。今天咱们聊三种最常用的方法：体素降采样、随机降采样、均匀降采样。
4.1 体素降采样（Voxel Downsampling）
这是我最常用的方法，没有之一。体素降采样的思路很直观：把三维空间切成一个个小立方体（体素），每个体素里只保留一个点。这个点通常是体素内所有点的重心，或者中心点。
为什么我偏爱它？因为体素降采样能很好地保持点云的几何形状。你想想看，如果点云密度不均匀，随机降采样会把稀疏的地方采得更稀疏，但体素降采样不会。每个体素一视同仁，该留几个点就留几个点。
核心参数：体素大小（voxel_size）
体素大小直接决定了降采样后的点云密度。体素越大，点越少；体素越小，点越多。我一般从0.01米开始试，根据场景调整。
在Open3D里，实现起来就几行代码：
import open3d as o3d
# 读取点云
pcd = o3d.io.read_point_cloud("scene.pcd")
# 体素降采样，体素大小0.05米
downsampled = pcd.voxel_down_sample(voxel_size=0.05)
# 可视化对比
o3d.visualization.draw_geometries([pcd], window_name="原始点云")
o3d.visualization.draw_geometries([downsampled], window_name="体素降采样后")我在项目中遇到过一个问题：体素大小设得太小，降采样效果不明显；设得太大，细节全丢了。后来我总结了一个经验——体素大小取点云平均间距的2-3倍，效果比较稳妥。
小技巧：如果你用的是PCL库，体素降采样函数叫pcl::VoxelGrid。Open3D里叫voxel_down_sample。名字不同，原理一样。
4.2 随机降采样（Random Downsampling）
随机降采样，顾名思义，就是从原始点云里随机抽取一部分点。这个方法简单粗暴，但有个致命缺点——它不考虑点的空间分布。
举个例子，如果点云里某个区域点特别密，随机降采样后这个区域还是密；如果某个区域点特别稀疏，随机降采样后可能就没了。我早期做地面分割时用过随机降采样，结果地面点被采得七零八落，分割效果一塌糊涂。
不过，随机降采样也不是一无是处。它速度快，适合对实时性要求高的场景。比如在SLAM前端，如果点云量太大，可以先随机降采样到一定数量，再去做特征匹配。
import numpy as np
import open3d as o3d
pcd = o3d.io.read_point_cloud("scene.pcd")
points = np.asarray(pcd.points)
# 随机降采样，保留30%的点
sample_ratio = 0.3
indices = np.random.choice(len(points), size=int(len(points) * sample_ratio), replace=False)
sampled_points = points[indices]
# 构建新的点云
sampled_pcd = o3d.geometry.PointCloud()
sampled_pcd.points = o3d.utility.Vector3dVector(sampled_points)注意：随机降采样时，replace=False表示不重复采样。如果点云量特别大，可以设replace=True，但这样会有重复点，一般不建议。
4.3 均匀降采样（Uniform Downsampling）
均匀降采样，也叫最远点采样（Farthest Point Sampling, FPS）。它的思路是：每次选一个离已选点集最远的点加入，直到达到目标点数。
这样做的好处是，采样后的点能均匀分布在三维空间里，不会出现局部过密或过疏的情况。我在做点云配准（ICP）时，经常先用均匀降采样，因为均匀分布的点能提供更稳定的匹配约束。
不过，均匀降采样有个缺点——慢。它的时间复杂度是O(n²)，点云量一大，跑起来很吃力。我一般只在点云量小于10万时用均匀降采样。
import open3d as o3d
pcd = o3d.io.read_point_cloud("scene.pcd")
# 均匀降采样，采样到5000个点
uniform_sampled = pcd.uniform_down_sample(every_k_points=10)
# 注意：uniform_down_sample是每隔k个点取一个，不是最远点采样
# 真正的FPS在Open3D里需要自己实现，或者用PCL的pcl::RandomSample补充说明：Open3D的uniform_down_sample其实是均匀间隔采样，不是严格意义上的最远点采样。如果你需要真正的FPS，建议用PCL或者自己写一个。
4.4 降采样对点云密度的影响
聊完三种方法，咱们来看看降采样到底怎么影响点云密度。我画了一张图，帮你直观理解：
从这张图你能看到：
- 体素降采样：点云密度变得均匀，每个体素内只有一个点。适合做特征提取、配准等需要均匀分布的场景。
- 随机降采样：密度分布和原始点云一样，密的地方还是密，疏的地方还是疏。适合快速预览、实时处理。
- 均匀降采样：点与点之间的间距尽量相等，密度最均匀，但计算代价高。
我个人的建议是：
- 做SLAM前端：用体素降采样，体素大小0.05-0.1米，平衡速度和精度。
- 做点云分类/分割：用体素降采样，体素大小根据物体尺寸调整。比如汽车用0.2米，行人用0.05米。
- 做可视化预览：用随机降采样，保留5%-10%的点就够了。
- 做高精度配准：用均匀降采样（FPS），采样到5000-10000个点。
避坑指南：我曾经在做一个室内重建项目时，用了随机降采样，结果墙角处的点被采没了，导致重建出来的墙角是圆的。后来换成体素降采样，问题就解决了。所以，如果你的场景里有明显的几何特征（墙角、边缘、平面），尽量用体素降采样。
好了，降采样这块就聊到这儿。三种方法各有千秋，选哪个取决于你的应用场景。记住一句话：降采样不是越少越好，而是够用就好。