点云着色不自然的根本原因，往往不是颜色本身错了，而是光照结构丢失。真实场景中，墙角、家具缝隙、叠放物体接触面会因为相互遮挡而变暗，这种被称为环境光遮蔽的现象在人眼判断空间形态时起着关键作用。直接把照片颜色贴到点上，相当于假设每个点都被环境均匀照亮，结果就是整片点云像浮在半空，缺乏体积感。要修复这一问题，需要两条技术路线并行：一是通过烘焙环境光遮蔽贴图把遮挡关系固化成灰度信息，再传递到点云；二是利用光照估计补全低频入射光方向，让漫反射响应符合现场光线。
环境光遮蔽贴图烘焙原理与网格预处理
环境光遮蔽（Ambient Occlusion，简称AO）衡量的是某个表面点能被环境光照射到的比例。其数学本质是半球空间内未被遮挡的方向占比，值越接近0表示越被包裹在缝隙中，值越接近1表示开阔受光。实际烘焙时，我们通常不直接对稀疏点云计算，而是先由点云重建出水面网格，因为射线投射在连续表面上更稳定，也能避免点间距带来的噪声。
网格预处理包括去除孤立碎片、补洞和统一法线方向。若法线朝内，烘焙工具会误判遮挡，输出反向的亮暗。接着在建模软件或离线渲染器中设置天光（sky light），关闭直接光源，仅让光线从半球各处入射。烘焙分辨率要根据网格面积权衡，过高会放大几何瑕疵，过低则丢失角落细节。下面是一段用Python调用简易射线法估算AO的示例，帮助理解底层逻辑而非生产代码。
import numpy as np
def estimate_ao(point, normal, mesh_triangles, samples=64):
# point: 表面点坐标 (3,)
# normal: 单位法线 (3,)
# mesh_triangles: 三角形列表，每个为三个顶点
hit = 0
for i in range(samples):
# 在法线半球内随机方向
d = random_hemisphere_direction(normal)
if ray_intersect(mesh_triangles, point + normal*0.001, d):
hit += 1
return 1.0 - hit / samples
def random_hemisphere_direction(normal):
z = np.random.rand()
phi = 2 * np.pi * np.random.rand()
r = np.sqrt(1 - z*z)
local = np.array([r*np.cos(phi), r*np.sin(phi), z])
# 省略将local转到以normal为z轴的变换
return local
def ray_intersect(tris, origin, direction):
# 简化：遍历三角形做相交测试
for t in tris:
if triangle_hit(t, origin, direction):
return True
return False
上述代码展示了AO的核心思想：从表面点沿法线半球发射若干射线，被网格挡住的比例就是遮蔽量。生产环境会使用层次包围盒加速，但原理一致。烘焙出的AO贴图是一张灰度图，白色代表完全受光，黑色代表深缝。需要注意的是，AO只描述几何遮挡，不包含任何颜色光源信息，因此它应与反照率（albedo）分开存储。
将AO贴图映射回点云的具体步骤
有了网格上的AO贴图，下一步是把每个点的UV坐标作为桥梁，采样贴图得到该点的遮蔽值。如果原始点云带有UV，可直接使用；若没有，需要在网格参数化阶段一并生成，或采用顶点色烘焙方式把AO写入网格顶点，再根据点云与网格的最近顶点拷贝属性。实践中推荐先让点云与网格做最近邻配准，确保空间对齐误差小于一个扫描分辨率。
映射完成后，点云每个点应新增一个标量属性，例如叫ao_value，范围0到1。着色时，最终显示颜色等于基础照片色乘以该值，必要时可加一个对比度系数。如下伪代码说明如何合并：
# points: Nx3 坐标
# colors: Nx3 照片色 0-255
# ao_values: N 遮蔽值 0-1
contrast = 1.3
adjusted_ao = np.clip((ao_values - 0.5) * contrast + 0.5, 0, 1)
display_colors = colors * adjusted_ao[:, None]
# 写入点云属性供查看器读取
save_ply('colored_with_ao.ply', points, display_colors, ao_values)
这一步能立刻改善缝隙发亮的问题，但仅用AO仍假设环境光来自均匀半球。如果现场有强窗光或单一主灯，点云会缺少方向性明暗，看起来仍不够自然。因此我们还需引入光照估计，对低频入射光做建模，使点云在保留AO接触阴影的同时，整体受光符合实际场景。
基于球面谐波的光照估计与点云重光照
光照估计的目标是恢复场景中被物体接收的入射辐射度。由于高频光源细节对点云这种稀疏表达意义不大，学界常用二阶球面谐波（SH）表示低频光照。SH系数可从网格渲染图反向拟合：用已知几何和 albedo 渲染不同光照，比较与真实照片的差异，优化出九个系数（RGB各三组）。得到系数后，对任意点法线，可用SH基函数算出该方向的环境光强。
将SH光照与AO结合时，正确做法是先用SH算出无遮挡环境光亮度，再乘以AO值作为最终漫反射。这样既保留了窗边亮、室内暗的大关系，又叠加了墙角变暗的细节。下面示例展示用三阶SH近似计算一个法线方向的光强：
#include <cmath>
#include <vector>
// 简化：仅用0阶和1阶SH
float sh_light(const std::vector<float>& coeff, float nx, float ny, float nz) {
// coeff[0]: 直流项, coeff[1..3]: 线性项
float y0 = 0.282095f;
float y1 = 0.488603f * nx;
float y2 = 0.488603f * ny;
float y3 = 0.488603f * nz;
return coeff[0]*y0 + coeff[1]*y1 + coeff[2]*y2 + coeff[3]*y3;
}
// 结合AO
float final_light = sh_light(coeff, nx, ny, nz) * ao_value;
在工程落地中，如果无法拿到精确 albedo，可用灰度均值代替，先估光照再反推颜色，形成交替优化。对于点云查看器，只要把final_light乘到基础色上即可。经过AO贴图烘焙与光照估计双管齐下，原本扁平的点云会呈现出明确的凹暗、受光面偏转和空间围合感，在文物、建筑和城市扫描展示中尤为关键。最后提醒，烘焙和估计都依赖几何质量，若网格破洞多，应先修复再走流程，否则错误遮挡会延续到点云难以剔除。