【2026最新版】PCL点云处理算法汇总（C++长期更新版）

Ne0inhk

— 17 min read
【2026最新版】PCL点云处理算法汇总（C++长期更新版）

博客长期更新，最近一次更新时间为：2026年3月14日。

copy

pcl::copyPointCloud(*cloud, indicesY,*cloud_yboundary);

read

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");}

save

pcl::io::savePCDFileBinary("dragonfps.pcd",*filtered);

目录

配库

常用数据免费下载链接

一、点云滤波

一篇关于滤波模块介绍的文章pcl_filters模块api代码解析

1、常用滤波器

2、采样滤波

3、裁剪滤波

二、KD树与八叉树

1、KD树

一篇关于PCL中KD树理论介绍的优秀文章：PCL中Kd树理论

2、八叉树

一篇关于PCL中八叉树理论介绍的优秀文章：PCL中八叉树理论

三、点云配准

粗配准

精配准

关于点云配准，很不错的综述文章：PCL中的点云配准方法点云配准资源汇总基于点云方式的6D姿态识别最新点云配准综述：A comprehensive survey on point cloud registration（悉尼大学&悉尼科技大学）
1、点到点的ICP算法
2、点到面的ICP算法
3、改进的ICP算法
4、基于概率模型的算法

对应关系

配准精度

坐标转换

刚体运动变换

四、点云拟合分割

关于点云分割很不错的综述文章：三维点云分割综述【上】三维点云分割综述【中】三维点云分割综述【下】

1、RANSAC

2、其他几何分割

一篇关于PCL中几何分割模块综述的博客：PCL点云分割总结

五、 三维重建

三维重建综述文章：三维重建技术综述

六、特征点与特征描述

关于PCL特征模块的综述文章：PCL 特征模块PCL 点云特征描述与提取点云局部特征描述综述点云局部特征与匹配的研究现状介绍

1、点云的属性

2、关键点提取

3、特征描述子

七、 基础函数

关于PCL中的基础函数，一篇很优秀的文章：PCL common中常见基础功能函数

1、common模块

2、其他

八、 点云可视化

1、Plotter模块

2、Viewer模块

九、 PCL之VTK

十、 点云与图像

十一、交互式操作

十二、PCL处理las点云

Read more

Lumerical Python API实战：从数据自动化到光子逆向设计的5个高效技巧

Lumerical Python API实战：从数据自动化到光子逆向设计的5个高效技巧 作为一名长期与电磁场和光波打交道的工程师，我深知仿真工作的痛点：一遍遍重复的手动设置、海量数据的整理、以及为了一个最优结构而进行的无数次参数扫描。直到我开始系统地将Lumerical的Python API融入日常工作流，整个局面才豁然开朗。这篇文章不是API手册的复述，而是我结合多个实际项目，从数据自动化处理到复杂光子器件逆向设计，提炼出的五个核心实战技巧。无论你是希望将繁琐的仿真任务脚本化的光学工程师，还是想将专业仿真工具无缝集成到自动化流程中的Python开发者，这些基于真实“踩坑”经验总结的方法，都能让你事半功倍。 1. 环境搭建与高效会话管理：超越“Hello World” 很多教程会告诉你如何启动一个Lumerical会话，然后运行一个简单的addfdtd命令。但在实际项目中，高效、稳定地管理多个仿真会话，处理可能出现的异常，才是保证自动化流程可靠运行的第一步。 1.1 构建健壮的会话连接与错误处理机制 直接使用lumapi启动会话很简单，但在无人值守的批量计算或服务器任务中，

By Ne0inhk

Qwen3-Embedding-0.6B实战教程：Python调用全流程步骤详解

Qwen3-Embedding-0.6B实战教程：Python调用全流程步骤详解 1. Qwen3-Embedding-0.6B 是什么？为什么值得你关注 如果你正在寻找一个高效、轻量又强大的文本嵌入模型来支持搜索、分类或聚类任务，那么 Qwen3-Embedding-0.6B 值得重点关注。它是通义千问（Qwen）家族最新推出的专用嵌入模型之一，专为生成高质量的文本向量表示而设计。 这个 0.6B 参数版本在性能和效率之间取得了良好平衡，特别适合资源有限但又需要稳定嵌入能力的开发场景。无论是做语义搜索、文档去重、推荐系统还是多语言内容理解，它都能提供可靠的支持。 更重要的是，Qwen3-Embedding 系列继承了 Qwen3 基础模型的强大能力，具备出色的长文本处理、跨语言理解和逻辑推理表现。这意味着即使输入是一段复杂的中英文混合句子，或者是一段技术性较强的代码注释，它也能准确捕捉语义并生成有意义的向量。 2. Qwen3-Embedding 模型系列核心优势 2.1 卓越的多功能性 Qwen3-Embedding 系列在多个权威评测中表现出色。以 MTEB（M

By Ne0inhk

Python 字典为什么查询高效

Python 字典（dict）之所以查询效率非常高（平均时间复杂度为 O(1)），主要归功于其底层实现——哈希表（Hash Table）。 1. 核心：哈希表（Hash Table） 字典本质上是一个哈希表。哈希表是一种通过键（key） 直接映射到值（value） 存储位置的数据结构。 工作流程： * 哈希函数（Hash Function）： * 当你向字典中插入一个键值对（如 d['name'] = 'Alice'）时，Python 会先对键 'name' 调用其 __hash__() 方法，得到一个整数，称为哈希值（hash value） * 这个哈希值是确定性的：同一个键，

By Ne0inhk

Python 爬虫项目：爬取天气网站，获取全国城市七日天气预报

前言 在 Python 爬虫的实战应用体系中，结构化气象数据爬取是极具实用性的经典入门案例，天气预报类网站的页面结构标准化程度高、数据维度清晰、反爬机制友好，是巩固「网页解析 + 结构化数据提取 + 多城市适配」爬虫能力的最佳场景。天气数据的爬取区别于文本、图片类爬取，核心在于对多维度结构化数据的精准提取与格式化整理，本次实战项目基于 Python 主流的requests+BeautifulSoup4技术栈，实现全国任意城市的七日天气预报精准爬取，涵盖城市气温、天气状况、风向风力、空气质量等核心气象数据，全程实现「请求构造→多城市 URL 拼接→结构化数据解析→格式化存储」的完整闭环。本次项目的代码具备极强的通用性与复用性，仅需修改城市名称即可适配全国所有城市的天气爬取，既是爬虫技术的实战落地，也是日常获取气象数据的实用工具，零基础也能轻松掌握并灵活复用。 摘要 本文核心价值：零基础实现全国任意城市的七日天气预报爬取，精准提取每日最高温 / 最低温、天气状况、风向风力、空气质量指数等核心气象数据，将爬取结果格式化保存至本地文件，代码无框架依赖、可直接运行，支持多城市批量爬取，

By Ne0inhk