基于参考平面获取3D对称点、点云分割及点平面定位方法（Python NumPy）

1. 基于给定平面对点云进行分割的方法 #

核心思路是用点到平面的有符号距离作为分类依据，操作步骤如下：

• 先对平面法向量做归一化：计算法向量模长 norm = sqrt(a^2 + b^2 + c^2)，将平面参数更新为 a'=a/norm, b'=b/norm, c'=c/norm, d'=d/norm，确保后续计算的距离是真实物理长度
• 遍历所有点，逐个计算有符号距离：signed_dist = a'*x + b'*y + c'*z + d'
• 按距离的符号和自定义阈值完成分割：
  • 距离为正的点归为平面法向量指向的一侧
  • 距离为负的点归为平面法向量背向的一侧
  • 距离绝对值小于阈值的点归为平面上的点，阈值可根据点云精度、平均点间距调整，通常取平均点间距的1~2倍即可

如果需要降低噪声点对分割结果的影响，可以增加邻域一致性校验：判断点的归属时，同时统计该点K近邻的距离符号占比，占比超过设定阈值（比如80%）再判定为对应类别，过滤孤立噪声点。

2. 点相对于平面的位置定位实现方法 #

本质就是通过有符号距离结合法向量方向完成判定，具体实现逻辑如下：

• 和分割步骤一致，先完成平面法向量的归一化，保证距离计算准确性
• 计算所有点的有符号距离 signed_dist
• 根据距离值直接完成位置判定：
  • 当 signed_dist > 距离阈值：点位于平面法向量指向的一侧
  • 当 signed_dist < -距离阈值：点位于平面法向量背向的一侧
  • 当 abs(signed_dist) <= 距离阈值：点属于平面上/平面附近的点

如果需要更直观的相对位置表达，可以将点坐标转换到平面局部坐标系：以平面上任意一点为原点，法向量为Z轴，在平面内选取两个正交向量作为X、Y轴，转换后的Z坐标就是点到平面的有符号距离，X、Y是点在平面内的投影坐标，可更清晰表达点相对于平面的位置关系。

以下是Python numpy版本的核心实现代码参考：

import numpy as np

def calc_point_plane_location(points, plane_params, dist_threshold=1e-3):
    # points: N×3数组，每行存储一个点的[x,y,z]坐标
    # plane_params: 长度为4的数组，对应平面ax+by+cz+d=0的参数[a,b,c,d]
    a, b, c, d = plane_params
    # 法向量归一化
    norm = np.sqrt(a**2 + b**2 + c**2)
    a_norm, b_norm, c_norm, d_norm = a/norm, b/norm, c/norm, d/norm
    # 计算所有点的有符号距离
    signed_dist = a_norm * points[:,0] + b_norm * points[:,1] + c_norm * points[:,2] + d_norm
    # 生成位置标签：1=法向量侧，-1=背向侧，0=平面上
    location_labels = np.zeros(points.shape[0], dtype=int)
    location_labels[signed_dist > dist_threshold] = 1
    location_labels[signed_dist < -dist_threshold] = -1
    return location_labels, signed_dist

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