最常用的点云降采样算法（PCL实现）

以下介绍PCL中四种常用的点云降采样算法，包括体素网格滤波、均匀采样、随机采样和近似体素网格滤波，涵盖原理、PCL代码实现、特点及适用场景。

1. 体素网格滤波（Voxel Grid Filter）

原理：将点云空间划分为规则的3D体素网格，对每个体素内的点取质心（centroid）或平均点作为代表点，减少点云数量。

PCL实现：

#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.01f, 0.01f, 0.01f); // 体素边长（米）
voxel_filter.filter(*cloud_filtered);

特点：

适用场景：3D重建、SLAM点云预处理。

参数：`LeafSize`控制体素边长，值越大，点云压缩越强。

2. 均匀采样（Uniform Sampling）

原理：基于kd-tree，以固定空间间隔（搜索半径）选择代表点（通常为第一个点或质心），确保点云均匀分布。

PCL实现：

#include <pcl/filters/uniform_sampling.h>
pcl::UniformSampling<pcl::PointXYZ> uniform_filter;
uniform_filter.setInputCloud(cloud);
uniform_filter.setRadiusSearch(0.05f); // 搜索半径（米）
uniform_filter.filter(*cloud_filtered);

特点：

适用场景：表面重建、点云配准。

参数：`RadiusSearch`控制采样点间最小距离，值越大，点云越稀疏。

3. 随机采样（Random Sampling）

原理：从点云中随机选择固定数量的点，基于随机索引，不考虑空间分布。

PCL实现：

#include <pcl/filters/random_sample.h>
pcl::RandomSample<pcl::PointXYZ> random_filter;
random_filter.setInputCloud(cloud);
random_filter.setSample(1000); // 保留点数
random_filter.filter(*cloud_filtered);

特点：

适用场景：快速可视化、初步数据处理。

参数：`Sample`指定保留点数，值越小，降采样程度越高。

4. 近似体素网格滤波（Approximate Voxel Grid Filter）

原理：与体素网格滤波类似，划分为3D体素网格，但使用近似方法（如哈希表）加速处理，牺牲少量精度换取更高效率。

PCL实现：

#include <pcl/filters/approximate_voxel_grid.h>
pcl::ApproximateVoxelGrid<pcl::PointXYZ> approx_voxel_filter;
approx_voxel_filter.setInputCloud(cloud);
approx_voxel_filter.setLeafSize(0.01f, 0.01f, 0.01f); // 体素边长（米）
approx_voxel_filter.filter(*cloud_filtered);

特点：

适用场景：超大规模点云处理、实时应用。

参数：`LeafSize`控制体素边长，值越大，点云压缩越强。

总结与对比

算法 保留几何结构 计算效率 点云均匀性 适用场景
体素网格滤波 高 高 中 3D重建、SLAM
均匀采样 中 中 高 表面重建、点云配准
随机采样 低 高 低 快速可视化、初步处理
近似体素网格 中 极高 中 超大规模点云、实时处理

选择建议

🏠 回到首页