4、点云数据基础：点云数据结构、滤波与可视化

点云这东西，说白了就是一堆三维坐标点的集合。每个点带着 (x, y, z) 信息，有时候还带上颜色、强度什么的。我刚开始接触点云时，觉得不就是个数组嘛，有什么好讲的？后来踩了不少坑才明白——数据结构选不对，后面所有算法都得重写。

4.1 点云数据结构：PCL vs Open3D

目前工业界最常用的两个库，一个是 PCL（Point Cloud Library），一个是 Open3D。我个人习惯是：做底层算法、嵌入式部署时用 PCL；做快速原型、可视化验证时用 Open3D。为什么？往下看。

4.1.1 PCL 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，比如：

• pcl::PointXYZ — 只有 x, y, z
• pcl::PointXYZRGB — 带 RGB 颜色
• pcl::PointXYZI — 带强度值（激光雷达常用）
• pcl::PointNormal — 带法向量

我在项目中遇到过一个问题：用 PointXYZ 存了 500 万个点，后面想加颜色信息，结果发现类型不兼容，只能全部重读。嗯，这里要注意——一开始就选好点类型，后面能省很多事。

// PCL 点云创建与基本操作
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

// 填充点云
cloud->width = 1000;
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);
}

4.1.2 Open3D 的点云结构

Open3D 就简洁多了。它的核心是 open3d::geometry::PointCloud，所有数据都存在 numpy 数组里。你想想看，这意味着什么？意味着你可以直接用 Python 的切片、广播、矩阵运算来操作点云，开发效率极高。

import open3d as o3d
import numpy as np

# 创建点云
pcd = o3d.geometry.PointCloud()

# 从 numpy 数组创建
points = np.random.rand(1000, 3)
pcd.points = o3d.utility.Vector3dVector(points)

# 添加颜色
colors = np.random.rand(1000, 3)
pcd.colors = o3d.utility.Vector3dVector(colors)

# 添加法向量
normals = np.random.rand(1000, 3)
pcd.normals = o3d.utility.Vector3dVector(normals)

4.2 点云滤波：去噪与降采样

原始点云数据通常很「脏」。传感器噪声、环境干扰、离群点……不处理的话，后面做配准、分割、重建全是错的。我见过有人拿原始点云直接跑 ICP，结果收敛到不知道哪里去了。

4.2.1 体素滤波（Voxel Grid Filter）

体素滤波说白了就是「三维像素化」。你把空间切成一个个小立方体（体素），每个体素里只保留一个点（通常是重心）。这样点云数量就大大减少了。

为什么要做体素滤波？两个原因：

• 降采样：1000 万个点降到 100 万个，计算量直接少一个数量级
• 均匀化：消除传感器近密远疏的问题，让点云分布更均匀

// PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.01f, 0.01f, 0.01f);  // 1cm 体素
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*cloud_filtered);

# Open3D 体素滤波
voxel_size = 0.01  # 1cm
downpcd = pcd.voxel_down_sample(voxel_size)

4.2.2 统计滤波（Statistical Outlier Removal）

统计滤波是用来去除离群点的。它的原理很简单：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 + n 倍标准差，就认为是离群点。

我曾经在一个激光雷达项目里，点云里总有几根「飞线」——就是莫名其妙飘在空中的点。统计滤波一跑，干干净净。

// PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);          // 考虑 50 个近邻
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);

# Open3D 统计滤波
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=50, std_ratio=1.0)
pcd_filtered = pcd.select_by_index(ind)

4.3 点云可视化

可视化是点云开发里最容易被忽视的一环。很多人觉得「能看就行」，但实际调试时，一个好的可视化工具能帮你一眼看出问题。

4.3.1 PCL 可视化

PCL 的 pcl::visualization::CloudViewer 是最简单的，但功能有限。我推荐用 PCLVisualizer，支持多窗口、添加文字、交互操作。

// PCL 可视化
pcl::visualization::PCLVisualizer viewer("点云查看器");
viewer.setBackgroundColor(0, 0, 0);  // 黑色背景

// 添加点云
viewer.addPointCloud<pcl::PointXYZ>(cloud, "sample cloud");

// 设置点大小
viewer.setPointCloudRenderingProperties(
    pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");

// 添加坐标轴
viewer.addCoordinateSystem(1.0);

// 循环显示
while (!viewer.wasStopped()) {
    viewer.spinOnce(100);
}

4.3.2 Open3D 可视化

Open3D 的可视化就优雅多了。一行代码就能看，而且支持鼠标交互（旋转、平移、缩放）。

# Open3D 可视化
o3d.visualization.draw_geometries([pcd], 
                                  window_name="点云查看",
                                  width=800, 
                                  height=600)

# 更高级的用法：添加多个几何体
o3d.visualization.draw_geometries([pcd, mesh, lineset],
                                  point_show_normal=True)

4.4 本章知识体系

下面这张图总结了点云数据基础的核心内容，从数据结构到滤波再到可视化，一条线串起来。

这张图把本章的三个核心模块串起来了。从上到下，先选好数据结构，再做滤波处理，最后可视化验证。每一步都有对应的工具和参数，实际项目中按这个流程走，基本不会出大问题。

---

公众号:蓝海资料掘金营，微信deep3321