PCL（Point Cloud Library）是 C++ 环境下处理三维点云数据的核心开源库，涵盖了从基础读写、滤波降噪到高级配准、重建及可视化的完整流程。以下是对 PCL 主要功能模块的技术梳理，旨在为开发者提供清晰的参考路径。
基础操作示例
在开始处理前，掌握点云的加载、保存与拷贝是基本功。以下是常用的 IO 与内存操作片段：
// 读取点云文件
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
if(pcl::io::loadPCDFile<pcl::PointXYZ>("source_slice_4000_change.pcd",*cloud)==-1){
PCL_ERROR("Could not read file\n");
}
// 拷贝点云数据
pcl::copyPointCloud(*cloud, indicesY, *cloud_yboundary);
// 保存处理后的点云
pcl::io::savePCDFileBinary("dragonfps.pcd", *filtered);
一、点云滤波
滤波是预处理的关键步骤，用于去除噪声或提取感兴趣区域。
1. 常用滤波器 包括直通滤波器（PassThrough）、体素滤波器（VoxelGrid）、统计滤波器（StatisticalOutlierRemoval）、半径滤波器（RadiusOutlierRemoval）、条件滤波器（ConditionFilter）、模型滤波器（ModelCoefficients）、投影滤波器（ProjectInliers）、高斯滤波、双边滤波（Bilateral Filter）、中值滤波以及阴影点移除等。这些工具可根据坐标范围、密度分布或几何特征对点云进行清洗。
2. 采样滤波 为了降低计算量，常需对点云进行下采样。支持均匀采样、快速均匀采样、随机采样、法线空间采样、索引空间采样、MLS 上采样、最远点采样（FPS）以及基于高程或栅格的局部最大值/最小值提取。
3. 裁剪滤波 通过几何形状限制点云范围，如 CropHull（任意多边形内部）、CropBox（立方体框选）以及 PlaneClipper3D（平面裁剪器）。
二、KD 树与八叉树
空间索引结构加速了近邻搜索与体素化操作。
1. KD 树 PCL 中的 KdTree 用于高效查找最近邻点。典型应用包括圆柱形邻域搜索、K 近邻可视化、点云平均密度计算、重叠点删除等。
2. 八叉树 八叉树适合处理大规模点云的空间划分。应用场景涵盖点云压缩、空间变化检测、体素中心计算、体素边界最值点获取以及基于八叉树的体素滤波。
三、点云配准
将不同视角的点云对齐到同一坐标系是核心难点。
1. 粗配准 在初始位置偏差较大时使用，常见算法包括 4PCS、K4PCS、改进的 RANSAC、SAC-IA 刚性姿态估计以及模板对齐。
2. 精配准 基于初始对齐结果进一步优化，主流方法有 ICP（迭代最近点）及其变体：点到点 ICP、点到面 ICP、Trimmed ICP、GICP、LM-ICP 以及基于概率模型的 3D-NDT。
3. 对应关系与精度评估 配准质量取决于对应点的准确性。可通过 CorrespondenceEstimationNormalShooting 查找对应点，利用 RANSAC 剔除错误匹配，或通过法向量夹角、距离阈值过滤。精度评估指标包括 Fitness Score、均方根误差（RMSE）及旋转平移误差。
4. 坐标转换与刚体运动 涉及欧式变换、仿射变换、SVD 分解求变换矩阵、Umeyama 算法以及 Eigen 库的四元数与几何模块应用。
