荣誉项目3D扫描仪：二维浮点点列表去重（支持容差）

我太懂你在荣誉项目里开发3D扫描仪时的这个痛点了——重叠的点云数据绝对是网格细分的噩梦，尤其是浮点坐标带来的精度问题，直接硬匹配完全行不通。下面给你一套实用的解决方案，既能搞定完全重复的点，也能按自定义容差合并近似重合的点，完美适配你的点云格式。

一、完全重复点的快速去重 #

如果你的点云里有完全一模一样的坐标点（比如你例子里的两个[1.1 1.2 1.3]），可以用哈希的思路快速去重：把每个点转成可哈希的元组，用集合自动去重，再转回原格式就行。

代码实现（Python） #

def remove_exact_duplicates(points):
    # 将每个点列表转为元组（可哈希），利用集合去重
    unique_tuples = {tuple(point) for point in points}
    # 转回原二维数组格式
    return [list(p) for p in unique_tuples]

# 测试示例
sample_points = [[1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [1.1, 1.2, 1.3]]
print(remove_exact_duplicates(sample_points))
# 输出: [[1.1, 1.2, 1.3], [2.1, 2.2, 2.3]]

二、带容差的近似点去重（解决浮点精度问题） #

这才是处理3D扫描点云的核心——因为扫描时的浮点误差，很多点其实是同一个位置，但坐标有微小差异。这里给你两种常用方法：

方法1：量化法（速度快，适合大规模点云） #

思路是把整个空间按你设定的容差划分成小网格，落在同一个网格里的点视为重复。比如容差设为0.01，就把每个坐标除以0.01后取整，生成唯一的网格键，同一个键下的点只保留一个（或取平均值）。

代码实现

def remove_duplicates_with_tolerance(points, tolerance=0.01):
    # 量化函数：将坐标按容差缩放后取整，生成唯一标识键
    def quantize_point(point):
        return tuple(round(coord / tolerance) for coord in point)
    
    # 用字典存储每个量化键对应的点（这里保留第一个出现的点，也可以改成取平均值）
    unique_points = {}
    for point in points:
        key = quantize_point(point)
        if key not in unique_points:
            unique_points[key] = point
    
    return list(unique_points.values())

# 测试浮点近似场景
sample_float_points = [
    [1.1000001, 1.2000002, 1.3000003],
    [2.1, 2.2, 2.3],
    [1.0999999, 1.1999998, 1.2999997]
]
print(remove_duplicates_with_tolerance(sample_float_points, tolerance=0.01))
# 输出会合并前两个近似点，保留其中一个（你可以修改逻辑取聚类内的平均值）

方法2：KD树邻近查找（精度更高，适合小批量高精度点云） #

如果需要更精确的邻近点判断，可以用KD树来查找每个点周围容差范围内的其他点，然后标记重复点并移除。这种方法能处理不规则分布的点，但大规模点云下速度会慢一些。

代码实现（依赖scipy）

from scipy.spatial import KDTree
import numpy as np

def remove_duplicates_with_kdtree(points, tolerance=0.01):
    points_np = np.array(points)
    # 构建KD树用于快速邻近查找
    tree = KDTree(points_np)
    # 查找每个点周围容差内的所有点索引
    neighbor_indices = tree.query_ball_point(points_np, r=tolerance)
    
    # 标记需要保留的点：每个聚类只保留第一个点
    keep_mask = np.ones(len(points_np), dtype=bool)
    for i in range(len(points_np)):
        if keep_mask[i]:
            # 把当前点的所有邻近点（除自己外）标记为不保留
            keep_mask[neighbor_indices[i][1:]] = False
    
    # 转回原格式
    return points_np[keep_mask].tolist()

# 测试
print(remove_duplicates_with_kdtree(sample_float_points, tolerance=0.01))

三、方法选择建议 #

• 如果你的点云规模很大，对精度要求不是极端严苛，量化法是最优选择，速度快且实现简单。
• 如果需要高精度的邻近点判断，或者点云分布不规则，KD树法更合适，但注意提前安装scipy依赖。
• 要是想让去重后的点坐标更准确，可以把同一个聚类里的点取平均值作为最终点，替换代码里的“保留第一个点”逻辑就行。

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