介绍open3d各种点云下采样的方法及区别，以及使用场景

最新推荐文章于 2025-03-26 14:40:38 发布

叶子202422

最新推荐文章于 2025-03-26 14:40:38 发布

阅读量1k

点赞数 16

分类专栏：点云-open3d学习文章标签： python Open3d

本文链接：https://blog.youkuaiyun.com/qq_46781387/article/details/146337167

版权

点云-open3d学习专栏收录该内容

10 篇文章

订阅专栏

方法介绍

1. 均匀下采样（Uniform Downsampling）

原理：

按固定间隔选取点，例如设置 every_k_points=5，则保留索引为 0, 5, 10, ... 的点。
直接根据点的顺序进行采样，不依赖空间分布。

代码示例：

python

down_pcd = pcd.uniform_down_sample(every_k_points=5)

特点：

优点：计算速度快，适合有序点云（如激光雷达按行/列排列的数据）。
缺点：对无序点云效果差，可能导致采样不均匀或丢失局部细节。
输出点数：原始点数 / every_k_points（向下取整）。

适用场景：

有序点云（如深度相机、激光雷达数据）。
快速预览或低精度任务（如粗略配准）。

2. 体素下采样（Voxel Downsampling）

原理：

将点云空间划分为 体素网格（Voxel Grid），每个体素内保留一个点（通常取中心点或随机点）。
通过 voxel_size 控制网格大小，体素越大，降采样越激进。

代码示例：

python

voxel_size = 0.05  # 单位：米
down_pcd = pcd.voxel_down_sample(voxel_size)

特点：

优点：保持空间分布均匀，适合无序点云，能有效保留几何特征。
缺点：计算量略高于均匀下采样，体素大小需手动调整。
输出点数：取决于体素大小和点云密度。

适用场景：

通用场景（如点云配准、重建、分类）。
需要平衡数据量与几何信息保留的任务

3. 随机下采样（Random Downsampling）

原理：

随机丢弃点，保留指定比例的点。
Open3D 未直接提供 API，但可通过 NumPy 实现。

代码示例：

python

ratio = 0.2  # 保留20%的点
points = np.asarray(pcd.points)
indices = np.random.choice(len(points), int(len(points) * ratio))
down_pcd = pcd.select_by_index(indices)

特点：

优点：实现简单，计算极快。
缺点：可能丢失关键区域数据，破坏空间结构。
输出点数：原始点数 × ratio。

适用场景：

快速测试或对数据分布无要求的任务（如简单可视化）。

4. 曲率/法线下采样（Curvature/Normal-Based Sampling）

原理：

根据点云的曲率或 法线方向 保留特征点（如边缘、角点）。
需要先计算法线或曲率，再按阈值筛选。

代码示例（曲率筛选）：

python

复制

# 计算曲率（需先计算法线）
pcd.estimate_normals()
curvatures = np.asarray(pcd.normals)[:, 3]  # 假设曲率存储在法向量的第四维
threshold = 0.1
indices = np.where(curvatures > threshold)[0]
down_pcd = pcd.select_by_index(indices)

特点：

优点：保留几何特征，适合需要细节的任务。
缺点：计算复杂，依赖法线/曲率估计的准确性。
输出点数：取决于特征点数量。

适用场景：

特征提取、细节重建（如工业零件检测）。
需要突出边缘或曲率变化的分析任务

5. 最远点采样（Farthest Point Sampling, FPS）

原理：

迭代选择距离已选点最远的点，确保采样点覆盖整个空间。
常用于深度学习中的点云特征学习。

代码示例（需手动实现或借助库）：

python

复制

def farthest_point_sample(points, num_samples):
    # 自定义或使用 PyTorch3D 等库实现
    pass
down_points = farthest_point_sample(np.asarray(pcd.points), 1024)
down_pcd = o3d.geometry.PointCloud()
down_pcd.points = o3d.utility.Vector3dVector(down_points)

特点：

优点：空间覆盖均匀，适合深度学习模型输入。
缺点：计算复杂度高（O(N^2)），不适用于实时任务。
输出点数：固定为 num_samples。

适用场景：

点云深度学习（如 PointNet、点云分割）。
需要均匀空间采样的任务。

方法对比总结

方法	速度	特征保留	空间均匀性	适用数据	典型场景
均匀下采样	⚡⚡⚡	低	依赖点顺序	有序点云	快速预览、低精度配准
体素下采样	⚡⚡	中高	高	任意点云	通用任务（配准、重建）
随机下采样	⚡⚡⚡	低	低	任意点云	快速测试
曲率下采样	⚡	高	低	高细节点云	特征提取、工业检测
最远点采样	⚡	中高	高	深度学习输入	点云分类、分割