第4章点云数据基础

第4章：点云数据基础

各位同学，今天我们来聊聊点云数据。说实话，我刚入行那会儿，觉得点云就是一堆三维坐标点，没什么特别的。直到第一次做机器人抓取，点云数据乱七八糟，算法根本跑不动，我才意识到——点云处理，基础不牢，地动山摇。

这一章，我带你从点云的数据结构开始，一步步搞定可视化、滤波。这些都是后续一切高级操作的地基。

4.1 点云数据结构

点云说白了，就是三维空间中一堆点的集合。每个点通常包含 (x, y, z) 坐标，有时候还带着颜色、法向量、强度等信息。

目前最主流的两个库：PCL（Point Cloud Library）和 Open3D。我个人习惯，做机器人抓取时用 Open3D 更多，因为它 Python 接口友好，调试起来快。但 PCL 在工业界积累深厚，很多底层算法更成熟。

4.1.1 PCL 中的点云结构

PCL 的核心数据结构是 pcl::PointCloud<T>。T 可以是多种点类型：

点类型	包含字段	典型用途
pcl::PointXYZ	x, y, z	纯几何位置
pcl::PointXYZRGB	x, y, z, r, g, b	带颜色的点云
pcl::PointNormal	x, y, z, normal_x, normal_y, normal_z	带法向量的点云

举个例子，创建一个点云并添加点：

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
cloud->width = 100;
cloud->height = 1;  // 无序点云
cloud->points.resize(cloud->width * cloud->height);

for (size_t i = 0; i < cloud->points.size(); ++i) {
    cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}

嗯，这里要注意：height = 1 表示无序点云。如果是 organized point cloud（比如从深度图转来的），height 就是图像高度。

4.1.2 Open3D 中的点云结构

Open3D 就简单多了。核心类是 open3d.geometry.PointCloud。它的 points 是一个 numpy 数组，操作起来非常 Pythonic。

import open3d as o3d
import numpy as np

# 创建点云
points = np.random.rand(100, 3).astype(np.float64)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)

# 添加颜色
colors = np.random.rand(100, 3).astype(np.float64)
pcd.colors = o3d.utility.Vector3dVector(colors)

你看，代码量少了很多。我在项目中经常用 Open3D 做快速原型验证，效率很高。

我的小建议： 如果你做研究或快速开发，优先选 Open3D。如果做工业级部署，PCL 的 C++ 实现性能更稳。两个都学，不吃亏。

4.2 点云可视化

可视化是点云处理中最直观的调试手段。你想想看，一堆数字你很难看出问题，但一显示出来，离群点、空洞、噪声一目了然。

4.2.1 PCL 可视化

PCL 用 pcl::visualization::CloudViewer 或 PCLVisualizer。前者简单，后者功能强。

pcl::visualization::CloudViewer viewer("Simple Cloud Viewer");
viewer.showCloud(cloud);
while (!viewer.wasStopped()) {
    // 保持窗口打开
}

我曾经踩过一个坑：在循环里反复调用 showCloud，结果界面卡死。后来发现，加个 spinOnce 就好了。

4.2.2 Open3D 可视化

Open3D 的可视化就优雅多了：

o3d.visualization.draw_geometries([pcd], 
                                  window_name="点云可视化",
                                  width=800, 
                                  height=600)

一行代码搞定。而且支持鼠标交互——旋转、平移、缩放，非常方便。

  避坑指南： 我曾经在远程服务器上跑可视化，结果 Open3D 直接报错。因为服务器没有 GUI 环境。解决方案：用 o3d.visualization.draw_geometries 的 non_blocking 模式，或者干脆用 o3d.io.write_point_cloud 保存下来，下载到本地看。

4.3 体素滤波

体素滤波（Voxel Grid Filter），说白了就是降采样。为什么要做？因为原始点云太密了，动辄几十万、上百万个点，计算起来慢得要命。

它的原理很简单：把空间划分成一个个小立方体（体素），每个体素内只保留一个点（通常是重心）。

代码实现：

# Open3D 体素滤波
voxel_size = 0.05  # 5cm 体素
downsampled_pcd = pcd.voxel_down_sample(voxel_size=voxel_size)

// PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.05f, 0.05f, 0.05f);
sor.filter(*cloud_filtered);

注意： 体素大小怎么选？我一般先设 0.01m（1cm），看效果再调。太小了降采样效果不明显，太大了会丢失细节。做抓取时，目标物体尺寸的 1/10 到 1/20 是个不错的起点。

4.4 统计滤波

统计滤波（Statistical Outlier Removal）用来去除离群点。原理很直观：计算每个点到它 k 个最近邻的平均距离。如果这个距离超过全局均值一定标准差，就认为是离群点。

为什么会需要它？传感器噪声、边缘跳变都会产生一些孤立的点。这些点对后续的配准、分割影响很大。

# Open3D 统计滤波
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
filtered_pcd = pcd.select_by_index(ind)

// PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);
sor.setStddevMulThresh(1.0);
sor.filter(*cloud_filtered);

参数怎么调？nb_neighbors（或 setMeanK）我一般设 20-50。std_ratio 设 1.0-2.0。值越小，剔除得越狠。

我的经验： 有一次做零件抓取，点云里总有几个飘在空中的点，怎么都去不掉。后来发现是反光造成的。把 std_ratio 从 2.0 降到 1.5，问题就解决了。所以，参数要根据实际数据微调。

4.5 半径滤波

半径滤波（Radius Outlier Removal）是另一种去噪方法。它检查每个点周围指定半径内有多少个邻居。如果邻居数量少于阈值，就干掉它。

和统计滤波的区别？统计滤波看的是距离分布，半径滤波看的是局部密度。说白了，统计滤波适合去除稀疏的离群点，半径滤波适合去除孤立的点簇。

# Open3D 半径滤波
cl, ind = pcd.remove_radius_outlier(nb_points=16, radius=0.05)
filtered_pcd = pcd.select_by_index(ind)

// PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
outrem.setInputCloud(cloud);
outrem.setRadiusSearch(0.05);
outrem.setMinNeighborsInRadius(10);
outrem.filter(*cloud_filtered);

参数选择上，radius 我一般设成体素大小的 2-3 倍。nb_points 设 10-20 比较常见。

  总结一下三种滤波的适用场景：
  体素滤波：降采样，减少数据量。必用。
统计滤波：去除稀疏离群点。推荐先用这个。
半径滤波：去除孤立小点簇。如果统计滤波效果不好，再试这个。

好了，这一章的内容就到这里。点云数据结构是基础，可视化是调试利器，三种滤波是预处理三板斧。把这些练熟了，后面的配准、分割、抓取姿态估计才能跑得顺。

📚 课程目录