2. 点云预处理

任务目标

原始点云数据通常包含数十万至上百万个点，直接处理会带来巨大的计算开销。本案例实现一个体素滤波器（Voxel Grid Filter），将三维空间划分为固定尺寸的立方体网格，每个网格内仅保留一个代表点（体素内所有点的质心），从而在保持物体整体形状特征的前提下显著降低点云密度。

环境依赖

本案例基于 Python 3.8+ 与 Open3D 0.17+ 库实现。安装命令：

pip install open3d numpy

完整实现代码

以下代码完成点云生成、体素滤波降采样、点数统计与可视化对比的完整闭环：

import open3d as o3d
import numpy as np

# 1. 生成模拟原始点云（两个立方体叠加，含噪声）
def generate_sample_pcd(num_points=200000):
    # 主立方体：边长1.0，中心在原点
    main_cube = np.random.uniform(-0.5, 0.5, size=(int(num_points*0.7), 3))
    # 小立方体：边长0.3，偏移(1.0, 0, 0)
    small_cube = np.random.uniform(-0.15, 0.15, size=(int(num_points*0.2), 3)) + np.array([1.0, 0, 0])
    # 高斯噪声点
    noise = np.random.normal(0, 0.02, size=(int(num_points*0.1), 3))
    points = np.vstack([main_cube, small_cube, noise])
    pcd = o3d.geometry.PointCloud()
    pcd.points = o3d.utility.Vector3dVector(points)
    # 为可视化添加高度方向渐变色
    colors = (points - points.min(axis=0)) / (points.max(axis=0) - points.min(axis=0) + 1e-8)
    pcd.colors = o3d.utility.Vector3dVector(colors[:, :1].repeat(3, axis=1))
    return pcd

# 2. 体素滤波降采样
def voxel_downsample(pcd, voxel_size=0.05):
    return pcd.voxel_down_sample(voxel_size)

# 3. 主流程
if __name__ == "__main__":
    # 生成原始点云
    original_pcd = generate_sample_pcd()
    original_points = np.asarray(original_pcd.points)
    print(f"原始点云点数: {len(original_points)}")

    # 执行体素滤波
    voxel_size = 0.05  # 体素边长（米）
    downsampled_pcd = voxel_downsample(original_pcd, voxel_size)
    downsampled_points = np.asarray(downsampled_pcd.points)
    print(f"降采样后点数: {len(downsampled_points)}")
    print(f"降采样比例: {len(downsampled_points)/len(original_points)*100:.2f}%")

    # 保存结果（可选）
    o3d.io.write_point_cloud("original.pcd", original_pcd)
    o3d.io.write_point_cloud("downsampled.pcd", downsampled_pcd)

    # 可视化对比（左右窗口）
    original_pcd.paint_uniform_color([0.8, 0.2, 0.2])  # 红色
    downsampled_pcd.paint_uniform_color([0.2, 0.8, 0.2])  # 绿色
    o3d.visualization.draw_geometries([original_pcd], window_name="原始点云", width=800, height=600)
    o3d.visualization.draw_geometries([downsampled_pcd], window_name="体素滤波后", width=800, height=600)

运行与验证

运行方式：将上述代码保存为 voxel_filter_demo.py，在终端执行：

python voxel_filter_demo.py

验证方法：

1. 点数对比：程序输出原始点数（约200,000）与降采样后点数。体素边长0.05m时，点数应降至约2,000～8,000范围（取决于点云空间分布），降采样比例约为1%～4%。
2. 形状保持：可视化窗口中，绿色点云应清晰呈现两个立方体的轮廓（主立方体在原点附近，小立方体在x=1.0处），边缘锐利，无明显空洞或变形。
3. 密度均匀性：降采样后的点云在物体表面分布均匀，不存在局部过密或过疏区域。

体素尺寸选择建议

判定通过条件：降采样后点云在可视化中能清晰辨认出两个立方体的几何结构，且点数较原始数据减少90%以上，即视为滤波有效。