第一章 点云数据基础：从零认识你的数据

做点云处理这些年，我见过太多人一上来就调滤波参数，结果越调越懵。为什么？说白了，你连手里拿的是什么数据都没搞清楚。这一章，我们就从最基础的东西说起——点云到底是什么，它长什么样，怎么存，怎么读。

1.1 点云数据结构：PCD、PLY、XYZ

点云文件格式有很多，但常用的就那几种。我个人习惯用PCD，因为PCL库原生支持，读写快，还带头部信息。PLY格式呢，更通用一些，很多三维建模软件都认它。至于XYZ，就是纯文本，简单粗暴，但缺了元数据。

先看一个PCD文件的头部长什么样：

# .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 640
HEIGHT 480
VIEWPOINT 0 0 0 1 0 0 0
POINTS 307200
DATA ascii
0.123 0.456 0.789 128
0.234 0.567 0.890 255
...

注意看WIDTH和HEIGHT。如果HEIGHT大于1，说明这是有序点云，像一张深度图。如果HEIGHT等于1，那就是无序点云，所有点挤在一行里。我在项目中遇到过有人把有序点云当无序处理，结果滤波效果一塌糊涂——嗯，这个坑我替你们踩过了。

PLY格式稍微复杂一点，支持顶点和面片。如果你要做网格重建，PLY是首选。XYZ格式最简单，每行三个浮点数，连头部都没有。但我不建议用XYZ存重要数据，因为丢了坐标系信息，换台机器可能就对不上了。

1.2 点云坐标系统

点云的坐标系统，说白了就是定义原点在哪、三个轴怎么指。常见的坐标系有几种：

• 世界坐标系：全局统一的参考系，比如GPS经纬度转过来的UTM坐标
• 传感器坐标系：以激光雷达或相机为中心，x轴朝前，y轴朝左，z轴朝上（ROS标准）
• 相机坐标系：z轴朝前，x轴朝右，y轴朝下（OpenCV标准）

你想想看，如果坐标系搞混了，滤波出来的点云可能直接飞到天上去。我建议你在代码开头就明确标注当前数据用的是哪个坐标系，别偷懒。

1.3 点云属性：坐标、强度、法向量

每个点云点，最基本的属性就是三维坐标(x, y, z)。但光有坐标不够，很多算法还需要额外信息。

强度值特别有意思。我在做道路检测时发现，沥青路面的强度值通常在80-120之间，而车道线的强度值能到200以上。利用这个差异，可以轻松滤掉路面噪声。你想想看，如果只靠坐标滤波，这些信息就全浪费了。

法向量不是直接采集的，需要从邻域点估算。常用的方法有PCA（主成分分析）和最小二乘拟合。估算法向量时，邻域半径的选择很关键——半径太小，噪声大；半径太大，细节丢失。我一般先试0.1米，再根据效果微调。

1.4 常用点云库简介：PCL vs Open3D

做点云处理，离不开两个库：PCL和Open3D。我两个都用，但场景不同。

PCL（Point Cloud Library）：老牌库，功能极其全面。从滤波、配准到分割、识别，几乎什么都有。但缺点也很明显——编译麻烦，文档老旧，API设计偏C++风格。如果你做工业级应用，PCL是首选。我最早的项目就是用PCL做的，那时候Open3D还没出生呢。

Open3D：后起之秀，Python接口友好，安装简单（一行pip搞定）。可视化做得特别好，适合快速原型开发和教学。但功能深度不如PCL，一些高级算法（比如ICP的多种变体）需要自己实现。

我的建议是：

• 做研究、快速验证 → 用Open3D
• 做产品、追求稳定 → 用PCL
• 两个都学，不冲突

1.5 本章知识体系

下面这张图，是我梳理的点云数据基础的知识结构。你可以把它当作一张地图，后面每学一个新概念，都回来看看它属于哪个模块。

这张图把本章内容串起来了。你看到没？四个分支最终都指向同一个核心——理解你的数据。数据结构决定了你怎么读数据，坐标系统决定了数据在空间中的位置，点云属性决定了你能用哪些信息，而常用库决定了你用什么工具。

好了，第一章就到这里。记住一句话：调参数之前，先读懂你的点云。下一章我们开始讲具体的滤波算法，到时候你会感谢今天打下的基础。