3. 点云可视化入门：用Open3D和PCL让数据“活”起来
说实话，做点云处理这几年，我最大的感触就是——看不见的数据，等于没有数据。
你辛辛苦苦滤波、分割、配准，最后输出一堆数字。但数字能告诉你什么？几乎什么也说不清。只有把点云画出来，你才能一眼看出问题在哪。
这一章，我们就来聊聊怎么用Open3D和PCL这两个库，把点云数据变成你能“看见”的东西。我会带上我踩过的坑，还有我个人的一些小习惯。
核心观点：可视化不是“锦上添花”，而是调试和验证的“刚需”。
3.1 为什么可视化这么重要？
我刚开始做点云的时候，犯过一个低级错误。滤波参数设错了，结果把地面点全滤掉了，只剩下几根孤零零的电线杆。我盯着终端里的点数统计看了半天，愣是没发现问题。直到我把点云画出来——好家伙，地面没了，车都悬空了。
你想想看，如果当时我第一时间可视化，这个bug五分钟就能发现。所以我现在养成了一个习惯：每做一步处理，先看一眼可视化结果。
我的小习惯：在代码里加一个 visualize() 函数，随时调用。别等到最后才看结果，那时候可能已经跑偏很远了。
3.2 Open3D 可视化：三行代码搞定
Open3D 是我个人最常用的库。为什么？因为它简单、快、交互好。你只需要三行代码，就能看到一个点云窗口。
import open3d as o3d
# 读取点云
pcd = o3d.io.read_point_cloud("data/room.pcd")
# 可视化
o3d.visualization.draw_geometries([pcd])就这么简单。运行之后，你会看到一个窗口，可以用鼠标拖拽旋转、滚轮缩放。嗯，这里要注意：默认窗口是黑色的，如果你觉得不好看，可以改背景色。
调整视角与渲染参数
Open3D 的 draw_geometries 函数支持很多参数。我常用的几个：
- window_name：窗口标题，方便区分多个窗口
- width, height：窗口尺寸，我一般设 1280x720
- point_show_normal：是否显示法向量，调试时有用
- mesh_show_wireframe：显示网格线框
o3d.visualization.draw_geometries(
[pcd],
window_name="我的点云",
width=1280,
height=720,
point_show_normal=True,
background_color=[0.1, 0.1, 0.1] # 深灰色背景
)注意：背景颜色是 RGB 值，范围 0~1。不是 0~255。我刚开始就写错过，结果背景一片惨白。
3.3 PCL 可视化：更底层的控制
PCL（Point Cloud Library）是 C++ 的经典库。虽然 Open3D 更现代，但 PCL 在某些场景下依然不可替代——比如你需要精细控制渲染管线的时候。
PCL 的可视化核心是 pcl::visualization::PCLVisualizer。我一般这样用：
#include <pcl/visualization/pcl_visualizer.h>
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("点云查看器"));
viewer->setBackgroundColor(0.1, 0.1, 0.1);
viewer->addPointCloud<pcl::PointXYZ>(cloud, "cloud");
viewer->setPointCloudRenderingProperties(
pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "cloud");
while (!viewer->wasStopped()) {
viewer->spinOnce(100);
}这段代码会创建一个窗口，显示点云，点的大小设为3像素。你可以用鼠标旋转、缩放。PCL 的交互不如 Open3D 流畅，但胜在可控性强。
视角控制：从不同角度看数据
有时候你需要从特定角度观察点云。比如，我想看建筑物的正面，而不是默认的俯视图。PCL 里可以这样设置：
viewer->setCameraPosition(
pos_x, pos_y, pos_z, // 相机位置
view_x, view_y, view_z, // 观察目标点
up_x, up_y, up_z // 上方向
);Open3D 更简单，你可以用 get_view_control() 获取当前视角参数，然后保存下来复用。
我的经验：调试时，我会先手动旋转到最佳视角，然后调用 view_control.convert_to_pinhole_camera_parameters() 保存参数。下次直接加载，省得每次都要手动调。
3.4 点云的颜色编码：让数据“说话”
默认情况下，点云是灰色的。但灰色能传递的信息太有限了。我们需要颜色编码——用颜色来表达数据的某个属性。
3.4.1 按高程着色
这是最常用的方式。把 Z 轴（高度）映射到颜色上，低处用蓝色，高处用红色。一眼就能看出地形起伏。
import numpy as np
import open3d as o3d
pcd = o3d.io.read_point_cloud("data/terrain.pcd")
points = np.asarray(pcd.points)
# 获取Z值
z = points[:, 2]
z_min, z_max = z.min(), z.max()
# 映射到颜色（蓝->绿->红）
colors = np.zeros((points.shape[0], 3))
colors[:, 0] = (z - z_min) / (z_max - z_min) # R
colors[:, 2] = 1.0 - (z - z_min) / (z_max - z_min) # B
pcd.colors = o3d.utility.Vector3dVector(colors)
o3d.visualization.draw_geometries([pcd])这段代码把 Z 值归一化到 0~1，然后映射到红蓝通道。低处偏蓝，高处偏红。效果很直观。
3.4.2 按分类着色
如果你做语义分割，每个点有一个类别标签（比如 0=地面, 1=建筑, 2=树木）。这时候可以用固定颜色表来着色。
| 类别 | 颜色 | RGB值 |
|---|---|---|
| 地面 | 棕色 | (139, 69, 19) |
| 建筑 | 红色 | (255, 0, 0) |
| 树木 | 绿色 | (0, 255, 0) |
| 车辆 | 蓝色 | (0, 0, 255) |
label_color_map = {
0: [139/255, 69/255, 19/255], # 地面
1: [1.0, 0.0, 0.0], # 建筑
2: [0.0, 1.0, 0.0], # 树木
3: [0.0, 0.0, 1.0] # 车辆
}
colors = np.array([label_color_map[label] for label in labels])
pcd.colors = o3d.utility.Vector3dVector(colors)我曾经踩过的坑：颜色值忘记归一化到 0~1，直接用了 0~255。结果点云一片惨白。记住，Open3D 的颜色范围是 0~1，不是 0~255。
3.5 强度显示：LiDAR 的“灰度图”
如果你用的是激光雷达数据，每个点除了 XYZ 坐标，还有一个强度值（intensity）。强度值反映了目标表面对激光的反射能力。比如，路标反射强，沥青路面反射弱。
强度显示的本质，就是把强度值映射到灰度或伪彩色上。
灰度映射
intensity = np.asarray(pcd.intensity)
intensity_norm = (intensity - intensity.min()) / (intensity.max() - intensity.min())
# 灰度：R=G=B
gray = np.stack([intensity_norm, intensity_norm, intensity_norm], axis=1)
pcd.colors = o3d.utility.Vector3dVector(gray)伪彩色映射
灰度图有时候不够明显。我更喜欢用热力图——低强度用蓝色，中强度用绿色，高强度用红色。
import matplotlib.cm as cm
# 使用matplotlib的jet色图
colors = cm.jet(intensity_norm)[:, :3] # 去掉alpha通道
pcd.colors = o3d.utility.Vector3dVector(colors)这样一看，路标、车牌这些高反射物体就“亮”起来了，路面、草地则偏暗。在夜间场景中，强度显示比 RGB 相机更可靠。
我的建议：如果你同时有 RGB 和强度数据，可以试试把强度作为亮度通道，叠加到 RGB 上。效果出奇的好，尤其在弱光环境下。
3.6 本章小结
可视化不是花架子，它是你调试和验证的第一道防线。Open3D 适合快速上手，PCL 适合深度控制。颜色编码和强度显示，能让你的数据“开口说话”。
我个人建议：把可视化写进你的处理流程里。每做一步，看一眼。你会发现，很多问题在数字里藏得很深，但在图像里一目了然。