2. 点云数据基础

做点云处理，第一步不是调算法，而是搞懂数据本身。

我见过不少新手，上来就怼滤波算法，结果连点云长什么样都没看过。说实话，这就像你还没摸清方向盘，就想上赛道漂移。今天咱们就踏踏实实，把点云数据的基础打牢。

点云数据结构解析

点云是什么？说白了，就是一堆三维点的集合。

每个点通常包含 X、Y、Z 三个坐标值。但光有坐标还不够，很多时候我们还需要额外的属性信息。比如：

• 强度（Intensity）：激光雷达返回信号的强度，对地物分类很有用
• 颜色（RGB）：如果融合了相机数据，每个点可以带上颜色
• 法向量（Normal）：描述点所在表面的朝向，常用于分割和识别
• 时间戳（Timestamp）：对于动态场景，记录每个点的时间信息

我个人习惯把点云理解成一张「三维表格」。每一行是一个点，每一列是一种属性。你想想看，这不就是咱们熟悉的二维表格加了一维吗？

PCD 与 PLY 文件格式

市面上点云格式很多，但最常用的就两个：PCD 和 PLY。

PCD 格式

这是 Point Cloud Library（PCL）的原生格式。我最早接触点云时用的就是它。PCD 文件结构很清晰：

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 1000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 1000
DATA ascii
1.0 2.0 3.0 150
2.0 3.0 4.0 200
...

注意看，头部信息里定义了每个字段的类型和大小。我记得有一次项目里，同事把 intensity 字段的 SIZE 写成了 2 字节，结果读出来的数据全是乱的。嗯，这里要注意：字段定义必须和实际数据严格一致。

PLY 格式

PLY（Polygon File Format）更通用一些，支持网格和点云。它的结构分两部分：

• 头部：定义元素类型和属性
• 数据体：可以是 ASCII 或二进制

ply
format ascii 1.0
element vertex 1000
property float x
property float y
property float z
property uchar red
property uchar green
property uchar blue
end_header
1.0 2.0 3.0 255 0 0
2.0 3.0 4.0 0 255 0
...

使用 Open3D 读取与可视化

工具选对了，事半功倍。Open3D 是我目前最顺手的点云处理库，没有之一。

安装

一行命令搞定：

pip install open3d

读取点云

Open3D 支持 PCD、PLY、XYZ 等多种格式。读取代码极其简洁：

import open3d as o3d

# 读取 PCD 文件
pcd = o3d.io.read_point_cloud("example.pcd")

# 读取 PLY 文件
pcd = o3d.io.read_point_cloud("example.ply")

# 查看基本信息
print(pcd)  # 输出：PointCloud with 1000 points.
print("点的坐标：\n", pcd.points[:5])  # 前5个点

你看，三行代码就搞定了。我曾经用 C++ 的 PCL 库写过同样的功能，代码量至少翻三倍。所以现在教学和快速原型，我首选 Open3D。

可视化

可视化是理解点云最直观的方式。Open3D 的可视化器功能很强大：

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

# 带参数的可视化
o3d.visualization.draw_geometries(
    [pcd],
    window_name="我的第一个点云",
    width=800,
    height=600,
    point_show_normal=False
)

运行后你会看到一个 3D 窗口，可以用鼠标拖拽旋转、滚轮缩放。我第一次看到自己加载的点云在屏幕上旋转时，说实话，挺震撼的。

点云的基本属性

拿到点云后，我通常会先检查几个关键属性：

# 获取点数
num_points = len(pcd.points)
print(f"点数：{num_points}")

# 获取坐标范围
import numpy as np
points = np.asarray(pcd.points)
print(f"X范围：{points[:, 0].min():.2f} ~ {points[:, 0].max():.2f}")
print(f"Y范围：{points[:, 1].min():.2f} ~ {points[:, 1].max():.2f}")
print(f"Z范围：{points[:, 2].min():.2f} ~ {points[:, 2].max():.2f}")

# 检查是否有颜色
if pcd.has_colors():
    print("该点云包含颜色信息")
    
# 检查是否有法向量
if pcd.has_normals():
    print("该点云包含法向量信息")

为什么要先看范围？因为滤波算法的参数（比如半径、阈值）都跟数据范围直接相关。不看数据就调参，那是瞎调。

本章知识体系

下面这张图，是我梳理的点云数据基础的核心脉络：

这张图把本章内容串起来了。从数据结构出发，到文件格式的选择，最后用 Open3D 做验证。这是每个点云项目都必须走的一步。

好了，点云数据基础就聊到这儿。下一节咱们会基于这些知识，开始动手做滤波实战。记住：地基打牢了，楼才能盖得高。

可可精品资料库