PCL点云处理：UniformSampling均匀采样滤波器详解与参数调优

在之前的两篇文章中，我们介绍了VoxelGrid和ApproximateVoxelGrid两种体素下采样方法。两者均采用质心近似策略——用体素内所有点的质心替代原始点。但某些场景下，我们需要保留原始点而非计算质心，此时均匀采样滤波器（UniformSampling）便是不二之选。

1. 均匀采样

均匀采样滤波器同样基于体素网格实现，其核心原理与VoxelGrid相似——将三维空间划分为大小相等的体素网格。但两者在代表点选择策略上存在本质区别：

UniformSampling的核心原理——用距离体素中心最近的原始点替代体素内所有点。算法的执行步骤如下：

• 网格划分：根据设定的体素尺寸（搜索半径），将点云的包围盒空间划分为三维体素网格；
• 点云分配：遍历点云中的每个点，根据其坐标计算所属体素索引，将点分配到对应体素中；
• 代表点选择：对于每个非空体素，计算体素内每个点到体素中心的距离，选择距离最近的点作为代表点；
• 点云输出：输出所有代表点，形成下采样后的点云。

值得注意的是，UniformSampling输出的点是原始点云中的真实点，而非计算得到的新点。这一特性在需要保留原始点属性（如法向量、颜色、强度等）的场景中尤为重要。

2. UniformSampling

pcl::UniformSampling类继承自Filter基类，除基类方法外，仅新增了1个核心方法用于设置体素尺寸。

//设置体素尺寸（搜索半径）
//@param radius 体素尺寸，三个方向使用相同值
void setRadiusSearch(double radius);

与VoxelGrid的setLeafSize(lx, ly, lz)不同，UniformSampling仅支持各向同性的体素尺寸，即X、Y、Z三个方向使用相同的尺寸值。这一设计简化了参数设置，但也限制了在非均匀采样场景下的灵活性。

UniformSampling不同于VoxelGrid的std::vector的实现方式，也不同于ApproximateVoxelGrid的固定尺寸的哈希表实现，它采用了 unordered_map 这种数据结构。unordered_map内部其实也是采用哈希表实现。UniformSampling使用体素索引作为哈希键，将点分配到对应体素中。每个体素内仅存储距离体素中心最近的点的索引，而不是所有点的索引。这一设计显著减少了内存占用，同时保持了高效的代表点选择。

3. 参数调整建议

结合算法原理分析该如何调整核心参数，以获得最佳的下采样效果。

• 体素尺寸（radius）：该值决定了下采样的粒度，直接影响输出点云的密度和均匀程度。
  • 值越大，体素越大，下采样程度越高，点数减少越多，但空间分布越均匀；
  • 值越小，体素越小，下采样程度越低，点数保留越多，几何细节保留越好；
  • 一般建议设置为点云平均点间距的3-10倍，根据应用需求在点数与精度间权衡。

我常用的参数调整策略是：

• 估算点云密度：计算点云包围盒体积，除以点数得到平均体积，再开立方得到平均点间距；
• 确定初始值：将体素尺寸设为平均点间距的3-5倍作为初始值；
• 迭代调整：
  • 若下采样后点数仍然过多，适当增大体素尺寸；
  • 若几何细节丢失严重，适当减小体素尺寸；
  • 若点云分布不够均匀，检查是否存在密度差异过大的区域，可能需要分区处理。

4. 代码示例

为了更直观地展示UniformSampling的使用方法，整理示例代码如下：

4.1 基本示例：标准均匀采样

#include <pcl/filters/uniform_sampling.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>

int main() {
    // 加载点云数据
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("input.pcd", *cloud_in);

    // 1. 初始化均匀采样滤波器对象
    pcl::UniformSampling<pcl::PointXYZ> us;
    us.setInputCloud(cloud_in);
    us.setRadiusSearch(0.01);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out(new pcl::PointCloud<pcl::PointXYZ>);
    us.filter(*cloud_out);

    // 保存滤波结果
    pcl::io::savePCDFile("output.pcd", *cloud_out);

    return 0;
}

4.2 高级示例：获取被剔除点的索引

#include <pcl/filters/uniform_sampling.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>

int main() {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("input.pcd", *cloud_in);

    // 初始化滤波器，启用被剔除索引提取
    pcl::UniformSampling<pcl::PointXYZ> us(true);  // 参数true表示提取被剔除索引
    us.setInputCloud(cloud_in);
    us.setRadiusSearch(0.01);

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out(new pcl::PointCloud<pcl::PointXYZ>);
    us.filter(*cloud_out);

    // 获取被剔除点的索引
    std::vector<int> removed_indices;
    us.getRemovedIndices(removed_indices);

    std::cout << "Removed points: " << removed_indices.size() << std::endl;

    pcl::io::savePCDFile("output.pcd", *cloud_out);

    return 0;
}

5. 对比记忆

为了更清晰地理解UniformSampling的特点，将其与VoxelGrid、ApproximateVoxelGrid进行全面对比：

5.1 选择建议

• 选择UniformSampling的场景：
  • 需要保留原始点的精确属性（如法向量、颜色、标签等）；
  • 后续处理依赖原始点索引（如点云配准、特征匹配）；
  • 需要避免质心计算带来的属性模糊；
  • 点云属性不可平均（如分类标签）。
• 选择VoxelGrid的场景：
  • 需要精确的下采样结果；
  • 需要平滑效果以减少噪声影响；
  • 需要各向异性下采样（不同方向不同尺寸）；
  • 需要字段过滤或最小点数阈值等高级功能；
  • 点云属性可以合理平均（如RGB颜色）。
• 选择ApproximateVoxelGrid的场景：
  • 追求处理效率且对精度要求不高；
  • 大规模点云处理，需要O(n)时间复杂度；
  • 内存受限场景，需要固定内存占用；
  • 实时处理需求（如实时预览、流式处理）。

6. 总结

本文重点介绍了pcl::UniformSampling类的核心原理、主要参数及与VoxelGrid的差异，并提供了从基础到高级的示例代码。均匀采样滤波器的核心特点是保留原始点而非计算质心，这一特性使其在需要精确保留点属性的场景中具有独特优势。合理选择UniformSampling、VoxelGrid、ApproximateVoxelGrid，可以更好地满足不同应用场景的下采样需求。想了解更多关于后端架构与底层算法的深度解析，欢迎关注云栈社区，共同探讨技术细节。