1、点云数据基础：什么是点云、点云数据格式(.pcd/.las/.ply)、点云可视化基础(Open3D/PCL)

好，咱们直接进入正题。点云是什么？说白了，就是一堆三维空间里的点。每个点带着自己的坐标 (x, y, z)，有时候还带着颜色、强度之类的附加信息。你想想看，激光雷达扫一圈，打出去几百万束激光，每束光碰到物体弹回来，我们就记录下一个点的位置。几百万个点凑在一起，就成了点云。

我个人习惯把点云理解成「三维世界的照片底片」。照片是二维的，点云是三维的。你拿着相机拍一张照片，得到的是像素矩阵；激光雷达扫一圈，得到的就是点云矩阵。只不过这个矩阵里的每个元素，不是 RGB 值，而是空间坐标。

1.1 点云数据格式：.pcd / .las / .ply

做点云处理，绕不开文件格式。我刚开始接触的时候，被各种后缀名搞得头晕。其实常用的就三种：.pcd、.las、.ply。咱们一个一个说。

.pcd 格式（Point Cloud Data）

这是 PCL 库的亲儿子格式。PCL 是啥？Point Cloud Library，点云库，后面会细讲。.pcd 格式最大的优点是简单、清晰、好解析。文件头部用纯文本写明了点云的基本信息，比如点数、维度、数据类型。头部之后就是纯数据。

我给大家看一个典型的 .pcd 文件头：

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z rgb
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 640
HEIGHT 480
VIEWPOINT 0 0 0 1 0 0 0
POINTS 307200
DATA ascii
0.123 0.456 0.789 0.5
0.234 0.567 0.890 0.6
...

嗯，这里要注意：WIDTH 和 HEIGHT 不一定代表图像尺寸。对于无序点云，HEIGHT 固定为 1，WIDTH 等于点数。对于有序点云（比如从深度相机来的），WIDTH 和 HEIGHT 才对应行列数。我曾经在这个坑里栽过跟头，解析一个 .pcd 文件时死活读不对点数，后来才发现是没区分有序和无序。

.las 格式（LASer）

.las 是测绘和遥感领域的标准格式。它比 .pcd 复杂得多，支持更多的附加信息：回波次数、回波强度、分类标签（地面、建筑、植被等）、GPS 时间戳等等。说白了，.las 是为「专业测绘」设计的，.pcd 是为「通用点云处理」设计的。

如果你做的是车载激光雷达、机器人导航这类项目，大概率用 .pcd 就够了。但如果你做的是无人机测绘、地形建模、林业调查，那 .las 是绕不开的。我记得有一次做城市三维重建项目，甲方给的数据全是 .las 格式，里面每个点都带了分类标签，省了我不少标注的功夫。

特性	.pcd	.las	.ply
主要用途	通用点云处理	测绘、遥感	三维模型、网格
支持颜色	是	是	是
支持强度	是	是	否
支持分类标签	否	是	否
文件大小	中等	较大	中等
解析复杂度	低	高	中

.ply 格式（Polygon File Format）

.ply 原本是为三维网格（Mesh）设计的，但也可以存储点云。它的特点是支持顶点 + 面片的结构。如果你做的是三维重建，从点云生成网格后，通常保存为 .ply 格式。

我个人觉得，纯点云处理用 .ply 有点「杀鸡用牛刀」的感觉。但如果你需要同时保存点云和三角面片，那 .ply 是首选。Open3D 对 .ply 的支持非常好，读写都很方便。

1.2 点云可视化基础：Open3D 与 PCL

做点云处理，可视化是刚需。你总不能对着几百万个数字发呆吧？得看到点云长什么样，才能判断算法效果好不好。常用的可视化工具有两个：Open3D 和 PCL。

Open3D：现代、轻量、Python 友好

Open3D 是我现在的主力工具。为什么？因为它太方便了。几行 Python 代码就能把点云显示出来，而且交互体验很好——旋转、缩放、平移都很流畅。

来看一个最简单的例子：

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("example.pcd")

# 可视化
o3d.visualization.draw_geometries([pcd])

就这三行，点云就出来了。你想想看，如果用 C++ 的 PCL，得写多少行？至少得配置 CMake、包含头文件、创建窗口、绑定鼠标事件……Open3D 把这些都封装好了。

我个人习惯在 Jupyter Notebook 里用 Open3D 做快速验证。写一段算法，跑一下，看一眼结果，不满意就改。这种「写-跑-看」的循环，Open3D 支持得非常好。

PCL：工业级、功能全面、C++ 生态

PCL 是点云处理的老牌库，功能极其全面。从滤波、分割、配准到识别，几乎你能想到的点云算法，PCL 都有实现。但它的学习曲线比较陡，而且配置环境是个体力活。

用 PCL 可视化点云，大概是这样：

#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("example.pcd", *cloud);

    pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
    viewer.addPointCloud(cloud, "cloud");
    
    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }
    return 0;
}

嗯，代码量明显多了。但 PCL 的优势在于深度和广度。比如你要做点云配准，PCL 提供了 ICP、NDT 等多种算法，而且参数可调范围很大。Open3D 虽然也有这些算法，但参数没那么多，灵活性稍差。

我记得有一次做工业检测项目，客户要求点云处理速度必须达到 30Hz。Open3D 的 Python 接口跑不满，后来用 PCL 的 C++ 实现，优化了一下参数，稳稳地跑到了 35Hz。所以我的建议是：快速原型用 Open3D，产品落地用 PCL。

怎么选？

其实不用纠结。我个人的工作流是这样的：

• 学习阶段：用 Open3D + Python。上手快，反馈及时，适合理解算法原理。
• 项目阶段：先用 Open3D 验证算法可行性，再用 PCL 做性能优化和工程化。
• 特殊需求：如果要做三维重建、网格处理，Open3D 更合适；如果要做点云配准、特征提取，PCL 更强大。

好，这一章就到这里。下一章咱们聊聊点云的预处理——滤波和降采样。这可是点云处理的「洗菜」环节，菜洗不干净，后面炒菜再厉害也白搭。