3. PCL基础

好，咱们正式开始接触PCL。说实话，很多新手一上来就急着调算法，结果连点云数据长什么样都没搞清楚。我当年也是这样，拿着别人的代码跑通了一个滤波，换了自己的数据就崩了——后来才发现，是点云的数据结构没搞明白。

这一节，咱们就把地基打牢。说白了，PCL里的一切操作，都围绕着 pcl::PointCloud 这个核心数据结构展开。你把它玩熟了，后面什么滤波、分割、配准，都是水到渠成的事。

3.1 PointCloud数据结构：点云的本质

点云是什么？一堆三维点的集合。但PCL里的点云，远不止「一堆点」这么简单。

我习惯把 pcl::PointCloud 想象成一个「智能数组」。它里面装着点，还带着一堆元数据。咱们来看看它的核心成员：

成员变量	类型	说明
width	uint32_t	点云的宽度。如果是无序点云，就是点的总数；有序点云（比如深度图转的）就是每行点数。
height	uint32_t	点云的高度。无序点云为1；有序点云就是行数。
points	std::vector<PointT>	核心！所有点都存在这个vector里。你可以像操作普通vector一样遍历它。
is_dense	bool	标记点云是否包含无效点（NaN或Inf）。true 表示所有点都有效。
sensor_origin_	Eigen::Vector4f	传感器采集时的位置（平移向量）。
sensor_orientation_	Eigen::Quaternionf	传感器采集时的朝向（四元数）。

嗯，这里要注意 width 和 height。我见过有人把有序点云当无序处理，结果滤波出来的结果完全不对。你想想看，如果一帧64线的激光雷达数据，你把它当成无序点云去搞半径滤波，那邻域搜索的效率会低很多。

再说说 PointT。PCL预定义了很多点类型，最常用的就是 pcl::PointXYZ，它只包含 x、y、z 三个坐标。但实际项目中，我们往往需要更多信息：

• pcl::PointXYZI：带了反射强度 intensity。做地面分割时，强度信息很有用。
• pcl::PointXYZRGB：带了颜色信息。视觉和激光融合时常用。
• pcl::PointXYZRGBNormal：带了颜色和法向量。做特征提取时一步到位。

我个人习惯，在项目初期先用 PointXYZ 把流程跑通，再根据需要升级点类型。别一上来就搞个带法向量的，数据量大了，内存吃不消。

3.2 PCD文件读写：你的数据入口和出口

PCD是PCL的原生格式。为什么不用PLY或LAS？PCD支持多种点类型，读写速度快，而且能保留传感器信息。我在项目中经常用PCD做中间结果的缓存，调试起来特别方便。

3.2.1 写PCD文件

写文件很简单，核心就一个函数 pcl::io::savePCDFile。但有几个坑，我帮你踩过了：

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

// 创建一个点云对象
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

// 填充点云数据
cloud->width = 5;
cloud->height = 1;  // 无序点云
cloud->is_dense = false;
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);
}

// 保存为PCD文件
pcl::io::savePCDFileASCII("test_pcd.pcd", *cloud);
std::cout << "Saved " << cloud->points.size() << " data points to test_pcd.pcd." << std::endl;

这里我用了 savePCDFileASCII，生成的是人类可读的文本格式。调试阶段用这个，方便查看。但如果你要保存几十万甚至上百万的点，记得用 savePCDFileBinary，文件体积小，读写速度快一个数量级。

3.2.2 读PCD文件

读文件同样简单，但有个细节很多人会忽略：

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

if (pcl::io::loadPCDFile<pcl::PointXYZ>("test_pcd.pcd", *cloud) == -1) {
    PCL_ERROR("Couldn't read file test_pcd.pcd \n");
    return (-1);
}

std::cout << "Loaded " << cloud->width * cloud->height
          << " data points from test_pcd.pcd with the following fields: "
          << pcl::getFieldsList(*cloud) << std::endl;

注意那个 pcl::getFieldsList，它能告诉你这个PCD文件里到底存了哪些字段。我遇到过一种情况：同事给我的PCD文件，他以为是 PointXYZ，结果里面其实带了 intensity。我用 PointXYZ 去读，数据就乱了。所以，养成好习惯，读文件后先检查字段列表。

3.3 可视化工具pcl_viewer：调试利器

写代码看不到点云，就像闭着眼睛开车。pcl_viewer 是PCL自带的命令行可视化工具，轻量、快速、无需写代码。

3.3.1 基本用法

在终端里直接敲：

pcl_viewer test_pcd.pcd

窗口就弹出来了。你可以用鼠标拖拽旋转，滚轮缩放。按 r 键重置视角，按 q 键退出。

我个人最常用的快捷键：

快捷键	功能
r	重置视角到初始位置
+ / -	增大/减小点的大小
g	切换背景色（黑/白）
s	切换显示模式（点/网格/表面）
Ctrl + 左键	测量两点之间的距离

3.3.2 同时查看多个点云

调试时经常需要对比原始数据和滤波后的结果。pcl_viewer 支持同时加载多个文件：

pcl_viewer original.pcd filtered.pcd

默认情况下，两个点云会叠加显示，颜色不同。你可以按 1、2 键分别控制第一个和第二个点云的显隐。这个功能在调试滤波参数时特别有用——左边看原始，右边看结果，一目了然。

3.3.3 进阶技巧

pcl_viewer 还支持从标准输入读取点云数据。你可以把其他程序的处理结果直接管道进来：

cat output.pcd | pcl_viewer

嗯，这个技巧在写脚本批量处理时很实用。我经常写一个shell脚本，循环处理几十个PCD文件，每个都用pcl_viewer看一眼，确认没问题再继续。

3.4 本章知识体系

为了让你更直观地理解这三块内容的关系，我画了一张图：

这张图把三者的关系说得很清楚了。数据结构是骨架，文件读写是血脉，可视化是眼睛。三者缺一不可。

好了，这一节的内容就到这里。你先把这些基础操作练熟，后面咱们开始玩真正的滤波算法。