点云是三维空间中的一组离散点，通常包含坐标、颜色、法线等属性。从激光雷达、结构光或者多视角影像重建得到的点云，往往需要做三件基础处理：降采样、去噪和配准。如果忽略这些步骤，后续的曲面重建、体积计算或目标识别会变得非常吃力。下文按顺序拆解这三类操作的原理和Python实现，参数可以根据自己的数据特点调整。
先理清一个常见误区：降采样不是简单随机删除点。随机删除虽然快速，但容易破坏表面连续性，导致后续法线估计出现明显偏差。因此工程上更常用的是体素降采样。
点云降采样：减少点数但保留几何特征
原始扫描点云经常有几百万个点，但同一平面区域可能被成百上千个点覆盖。体素降采样的思路是：把三维空间用固定边长的立方体栅格划分，每个立方体内只保留一个代表点，通常用栅格内所有点的重心。这样既能压缩点数，又能保持整体形状。
import open3d as o3d
pcd = o3d.io.read_point_cloud("scan.ply")
print("原始点数:", pcd)
voxel_size = 0.01
down_pcd = pcd.voxel_down_sample(voxel_size)
print("降采样后点数:", down_pcd)
体素边长决定了采样密度。边长设得太小，点数几乎不降；设得太大，尖锐边缘和细小特征会被抹平。可以先查看点云的平均点间距，将体素边长设为平均间距的1到2倍，或者根据实际任务反复试验。除了体素降采样，还有均匀采样和曲率感知采样。均匀采样按固定间隔取点，适合规则排列的数据；曲率感知采样在高曲率区域保留更多点，适合逆向工程和细节重建。
点云去噪：剔除离群点与平滑噪声
扫描环境、传感器抖动和反射都会引入噪声点。这些点往往离主体点云较远，或者随机漂浮在表面附近。统计滤波是最常用的去噪方法之一。它假设点云中每个点到其k个最近邻的平均距离近似服从高斯分布，如果某个点的邻域平均距离偏离整体均值太多，就判定为离群点。
import open3d as o3d
pcd = o3d.io.read_point_cloud("scan.ply")
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
clean_pcd = pcd.select_by_index(ind)
print("去噪前点数:", pcd)
print("去噪后点数:", clean_pcd)
参数nb_neighbors控制邻域大小，std_ratio控制剔除阈值。nb_neighbors太小容易把孤立点误判，太大会把噪声包括进来。实际使用时可以从20和2.0开始尝试，观察去噪效果。半径滤波是另一种思路：统计每个点在指定半径内的邻居数量，如果邻居太少就删除。它更适合处理稀疏区域中的离群点。对于表面平滑需求，还可以使用移动最小二乘法或双边滤波，在剔除噪声的同时保持边缘。
点云配准：对齐多视角数据
单个视角扫描往往只能覆盖物体的一部分，要得到完整模型需要把多个视角的点云对齐到同一坐标系。最经典的算法是迭代最近点ICP。它通过交替执行最近点匹配和刚体变换求解，逐步减小两个点云之间的欧氏距离。ICP对初值敏感，如果初始位置差得远，很容易陷入局部最优。
import open3d as o3d
import numpy as np
source = o3d.io.read_point_cloud("source.ply")
target = o3d.io.read_point_cloud("target.ply")
threshold = 0.02
trans_init = np.identity(4)
reg_p2p = o3d.pipelines.registration.registration_icp(
source, target, threshold, trans_init,
o3d.pipelines.registration.TransformationEstimationPointToPoint(),
o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=200)
)
print(reg_p2p)
print("变换矩阵:", reg_p2p.transformation)
实际使用ICP前，通常先用快速特征匹配做粗配准。例如提取FPFH特征，再用RANSAC估计初始变换矩阵。特征匹配不依赖初始位置，适合大范围对齐；ICP在粗配准基础上做精细调整。多视角配准时，可以进行两两配准再全局优化，或使用姿态图优化减小累积误差。
配准精度与点云密度、重叠区域大小和特征丰富度都有关。如果被测物体表面没有明显几何特征，可以借助标定板或编码标记点辅助。对于稠密重建，可以把降采样和去噪后的干净点云输入ICP，迭代速度更快。
降采样、去噪、配准这三步并非严格先后，很多时候需要来回调整。例如去噪后再降采样可以避免噪声点影响代表点位置；先配准再统一去噪能利用多视角冗余信息。理解了每步的原理和参数含义，就能针对具体数据制定有效的处理流程。