如何使用NumPy高效过滤LIDAR点云中超10米的点且无需for循环

直接使用NumPy的布尔索引和矢量化运算即可完全避免Python层循环，同时还可以通过省略开方运算进一步提升性能，优化后的实现如下：

import numpy as np

def filter_by_distance(cloud, distance=10):
    # 提取所有点的X、Y坐标（如需计算3D距离则改为cloud[:, :3]）
    xy_coords = cloud[:, :2]
    # 批量计算所有点的距离平方，避免逐点开方的性能开销
    square_distance = np.sum(np.square(xy_coords), axis=1)
    # 生成符合距离阈值的布尔掩码
    valid_mask = square_distance <= distance ** 2
    # 用掩码直接索引原始点云，返回过滤结果
    return cloud[valid_mask]

优化说明 #

• 所有计算均在NumPy底层C语言层面完成，没有Python层的循环开销，相比原列表推导式实现，处理十万级以上点云时性能可提升百倍以上
• 采用距离平方对比省略了全局开方运算，进一步降低了浮点计算量
• 保留原始点云的所有维度（X/Y/Z/I）信息，无需额外拼接处理

测试示例 #

# 模拟输入点云
test_cloud = np.array([
    [23.157,  0.032,  0.992,  0.34 ],
    [23.219,  0.105,  0.994,  0.29 ],
    [1.548, -1.101, -0.77,   0.   ],
    [1.388, -0.978, -0.676,  0.   ]
])

# 过滤10米以内的点
result = filter_by_distance(test_cloud, 10)
print(result)

输出结果：

[[ 1.548 -1.101 -0.77   0.   ]
 [ 1.388 -0.978 -0.676  0.   ]]

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