如何在PyVista中实现基于邻近距离的点云下采样（抽稀）？

针对未网格化的点云，无需从零开发，可通过PyVista及底层VTK的现成方法实现基于邻近度的下采样：

1. 空间聚类抽稀 #

利用聚类算法将邻近点归为一类，保留每类的代表点（如质心），实现抽稀：

import pyvista as pv

# 假设point_cloud是你的原始点云（pyvista.PolyData对象）
# 用k-means聚类，按目标点数控制抽稀程度
clustered = point_cloud.clustering(n_clusters=1000, method='kmeans')
# 提取聚类质心作为抽稀后的点云
downsampled = clustered.extract_points(clustered['ClusterId'], tolerance=0.0, include_cells=False)

若要通过距离阈值控制邻近度，可改用method='dbscan'，设置eps参数定义邻域半径，筛选核心点或聚类质心。

2. 用decimate_pro适配无拓扑点云 #

虽然常规decimate针对网格化数据，但decimate_pro可直接处理无拓扑的点云，基于空间分布筛选邻近点：

# target_reduction设置抽稀比例，0.7表示保留30%的点
downsampled = point_cloud.decimate_pro(target_reduction=0.7)

可通过feature_angle参数调整对边缘点的保留优先级，间接优化邻近点的筛选逻辑。

3. 调用VTK底层点定位器去重 #

直接用VTK的vtkStaticPointLocator按距离阈值筛选非邻近点：

import vtk
import pyvista as pv

# 初始化点定位器并构建索引
locator = vtk.vtkStaticPointLocator()
locator.SetDataSet(point_cloud)
locator.BuildLocator()

# 设置邻域半径阈值，筛选不重复的点
distance_threshold = 0.1
unique_point_ids = vtk.vtkIdList()
locator.FindUniquePoints(distance_threshold, unique_point_ids)

# 提取抽稀后的点云
downsampled = point_cloud.extract_points(unique_point_ids)

这种方法直接基于邻点距离去重，完全匹配“基于邻近度抽稀”的需求。

内容的提问来源于stack exchange，提问作者Sterling Butters