使用 Python NumPy 原生代码实现点云的体素下采样

在 3D 数据处理领域，点云是一种重要的空间信息表示形式，用于捕捉物体和环境的几何形状。然而，点云数据通常非常密集，包含数百万甚至更多的点，这对存储、处理和可视化都带来了挑战。为了解决这个问题，我们需要对点云进行下采样，以减少点的数量，同时尽量保留数据的整体结构。体素下采样（Voxel Downsampling）是一种高效的下采样方法，它通过将点云划分到三维网格（体素）中并对每个体素内的点进行平均来实现这一目标。

什么是体素下采样？

代码实现

以下是一个完整的 Python 脚本，使用 NumPy 实现点云的体素下采样。代码简洁高效，适用于大多数基本的点云处理需求。

import numpy as np
from collections import defaultdict

def read_point_cloud(file_path):
    """读取点云文件，假设每行是一个点的xyz坐标，可能包含其他属性"""
    points = []
    with open(file_path, 'r') as f:
        for line in f:
            parts = line.strip().split()
            if len(parts) >= 3:  # 至少包含xyz三个坐标
                x, y, z = map(float, parts[:3])
                points.append([x, y, z])
    return np.array(points)

def voxel_downsample(points, voxel_size):
    """体素下采样"""
    # 创建体素网格
    voxel_grid = defaultdict(list)

    # 计算每个点所在的体素
    for point in points:
        voxel_coord = tuple((point // voxel_size).astype(int))
        voxel_grid[voxel_coord].append(point)

    # 对每个体素内的点取平均
    downsampled_points = []
    for voxel_coord, voxel_points in voxel_grid.items():
        if voxel_points:
            avg_point = np.mean(voxel_points, axis=0)
            downsampled_points.append(avg_point)

    return np.array(downsampled_points)

def write_point_cloud(file_path, points):
    """将点云写入文件"""
    with open(file_path, 'w') as f:
        for point in points:
            f.write(f"{point[0]} {point[1]} {point[2]}\n")

def main():
    # 配置参数
    input_file = "test1_pointcloud - Cloud.subsampled.txt"  # 输入点云文件
    output_file = "downsampled_test1_pointcloud - Cloud.subsampled.txt"  # 输出点云文件
    voxel_size = 1.2  # 体素大小，根据你的点云尺度调整

    # 读取点云
    points = read_point_cloud(input_file)
    print(f"原始点云数量: {len(points)}")

    # 体素下采样
    downsampled_points = voxel_downsample(points, voxel_size)
    print(f"下采样后点云数量: {len(downsampled_points)}")

    # 保存下采样后的点云
    write_point_cloud(output_file, downsampled_points)
    print(f"下采样后的点云已保存到: {output_file}")

if __name__ == "__main__":
    main()

体素大小的选择

体素大小（voxel_size）是下采样的关键参数，直接影响结果：

• 较大的体素大小：会导致更激进的下采样，点数减少更多，但可能会丢失细节。
• 较小的体素大小：保留更多细节，但下采样后的点云仍然较大。

选择合适的体素大小需要根据点云的尺度以及应用需求。例如，对于建筑扫描，1 厘米的体素大小可能合适；而对于室外大场景，1 米的体素大小可能更适合。

效果展示

左边是原始的点云，右边是体素下采样之后的点云。