第2章点云基础

第2章：点云基础——数据结构、可视化与坐标系变换

各位同学，欢迎来到点云实战的第二课。

说实话，很多初学者一上来就急着跑配准算法，结果连点云长什么样、怎么存、怎么转坐标系都搞不清楚。我当年刚接触ToF传感器时也犯过这个错——拿到一帧深度图，直接当成普通图像处理，结果点云拼接出来全是扭曲的。嗯，今天我们就从最基础的东西讲起。

2.1 点云数据结构：PCL vs Open3D

点云本质上就是一堆三维点的集合。每个点通常包含(x, y, z)坐标，有时还带强度、颜色、法向量等信息。我个人习惯把点云理解成「带坐标的像素」——你想想看，图像是二维网格，点云就是三维空间里的散点。

目前最主流的两个点云库是PCL（Point Cloud Library）和Open3D。我两个都用过，简单说说区别：

特性	PCL	Open3D
语言	C++为主，Python绑定较弱	Python原生，接口友好
安装难度	依赖多，编译容易踩坑	pip install 搞定
数据结构	pcl::PointCloud\	open3d.geometry.PointCloud
可视化	pcl::visualization	o3d.visualization.draw_geometries
适用场景	工业级、嵌入式、实时系统	快速原型、科研、教学

我的建议：如果你做产品落地，PCL更稳；如果只是做算法验证或课程作业，Open3D能让你少掉一半头发。

2.1.1 PCL中的点云结构

PCL里最常用的点类型是 pcl::PointXYZ 和 pcl::PointXYZRGB。我曾在项目中用 PointXYZI 存ToF的强度信息，效果不错。

// PCL点云创建与赋值
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);
}

注意：PCL中 height = 1 表示无序点云，height > 1 才是有序点云（类似图像）。ToF传感器输出的通常是 height = 1 的无序点云，但如果你用深度图转点云，记得设置正确的宽高。

2.1.2 Open3D中的点云结构

Open3D就简洁多了。我特别喜欢它的Python接口，写起来像在写伪代码。

import open3d as o3d
import numpy as np

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

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

print(f"点云点数: {len(cloud.points)}")

你看，三行代码就搞定了。Open3D内部用numpy数组存储，所以和Python生态无缝衔接。我曾经在项目里直接用 np.asarray(cloud.points) 取数据做滤波，非常方便。

2.2 点云可视化

可视化是调试点云算法最重要的手段。没有之一。我见过太多人对着命令行里的数字硬调参数，结果调一整天都找不到问题——其实看一眼点云形状就明白了。

2.2.1 PCL可视化

#include <pcl/visualization/cloud_viewer.h>

pcl::visualization::CloudViewer viewer("点云查看器");
viewer.showCloud(cloud);
while (!viewer.wasStopped()) {
    // 保持窗口打开
}

PCL的可视化窗口支持鼠标交互：左键旋转、滚轮缩放、右键平移。嗯，这里有个坑——PCL的CloudViewer是单线程的，如果你在主线程里做其他计算，窗口可能会卡死。我建议用 PCLVisualizer 类，可以多线程控制。

2.2.2 Open3D可视化

import open3d as o3d

# 简单可视化
o3d.visualization.draw_geometries([cloud], window_name="Open3D点云")

# 高级可视化：添加坐标系
o3d.visualization.draw_geometries(
    [cloud, o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.5)],
    window_name="带坐标系的点云"
)

    核心技巧：可视化时一定要加坐标系！我刚开始做多视角拼接时，经常把点云方向搞反。后来养成习惯，每次显示点云都带上坐标轴，一眼就能看出点云朝向对不对。

2.3 点云坐标系与变换

坐标系是点云处理中最容易出错的地方。说白了，不同传感器、不同算法、不同库用的坐标系可能都不一样。我踩过的坑包括：

ToF传感器输出的是相机坐标系（Z轴朝前），但PCL默认是Z轴朝上
Open3D的坐标系是右手系，但有些数据集用的是左手系
旋转矩阵和平移向量的顺序搞反，导致点云飞出去

2.3.1 常见坐标系

坐标系	X轴	Y轴	Z轴	典型应用
相机坐标系	右	下	前	ToF、RGB-D相机
世界坐标系	东	北	上	SLAM、机器人导航
Open3D默认	右	上	后	可视化、渲染

2.3.2 变换矩阵

点云变换的核心就是4x4齐次变换矩阵。我习惯用 T = [R | t; 0 0 0 1] 这种形式。

import numpy as np
import open3d as o3d

# 构建变换矩阵：绕Z轴旋转45度，平移(1, 0, 0)
theta = np.pi / 4
R = np.array([
    [np.cos(theta), -np.sin(theta), 0],
    [np.sin(theta),  np.cos(theta), 0],
    [0,              0,             1]
])
t = np.array([1.0, 0.0, 0.0])

T = np.eye(4)
T[:3, :3] = R
T[:3, 3] = t

# 应用变换
cloud_transformed = cloud.transform(T)

避坑指南：我曾经在项目中把旋转矩阵写成了转置形式，结果点云拼接出来全是镜像。后来我养成了一个习惯——每次做变换前，先用一个已知点（比如原点）验证一下变换是否正确。

2.4 本章知识体系

下面这张图是我自己总结的点云基础结构，你可以把它当作学习路线图：

个人经验：学点云基础，别贪多。把PCL和Open3D各跑通一个demo，然后拿自己的ToF数据试一遍可视化。我当年就是这么入门的——先看到点云长什么样，后面学配准才有感觉。

好了，这一章的内容就到这里。数据结构、可视化、坐标系变换，这三样东西是点云处理的「三件套」。你想想看，后面做配准、做拼接，本质上都是在做坐标系变换。所以这一章的基础打牢了，后面会轻松很多。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录