PCL中Uniform Sampling的原理及球体空间划分相关疑问

核心原理 #

Uniform Sampling是PCL中的点云下采样算法，和体素滤波的核心区别在于空间筛选逻辑：

• 体素滤波用**立方体（体素）**划分空间，每个体素保留一个点
• Uniform Sampling则以指定半径的球体为筛选单元：每个球体范围内，仅保留距离球心最近的点作为下采样结果

常见疑问解答 #

1. 如何通过球体划分空间？ #

它并非直接用球体无重叠覆盖整个空间，而是结合了体素网格的分区逻辑：

1. 先构建一个分辨率为2*radius的体素网格（radius即你设定的球体半径），将所有点分配到对应体素中；
2. 对每个体素内的点，计算它们到体素中心的距离，选出离中心最近的点；
3. 这个选中的点作为对应球体的球心，球体半径刚好覆盖整个体素——本质是用体素做空间分区基底，再用球体在每个分区内筛选最优代表点。

2. 会不会导致部分空间被遗漏？ #

完全不会。因为底层是用体素网格做全覆盖划分，点云所在的整个空间都会被体素填满，每个输入点都会被分配到某个体素中；只要体素内有输入点，就会选出一个代表点保留，不存在遗漏的空间区域。

官方文档核心细节（翻译） #

PCL的Uniform Sampling类实现了一种基于空间距离的下采样方法，目标是生成均匀分布的点云子集。算法核心步骤如下：

1. 构建体素网格，体素边长设为指定采样半径的2倍；
2. 遍历输入点云，将每个点分配到对应的体素中；
3. 对每个包含点的体素，计算体素内所有点到体素中心的欧氏距离，选择距离最小的点作为该体素的代表点；
4. 所有体素的代表点共同构成下采样后的输出点云。

相比体素滤波，这种方法的优势在于能生成分布更均匀的点云——因为每个代表点都是其所在体素区域内最靠近中心的点，避免了体素滤波中可能出现的点偏向体素角落的情况。

内容的提问来源于stack exchange，提问作者Wenll shapion