第二章 几何数据处理

第 2 章 · 几何数据处理

章节摘要：这是全书的主战场。原始三维数据几乎总有毛病：点太密、噪声多、缺法线、没对齐、不成形。本章按数据形态分四节——点云（滤波、降采样、法线、聚类分割、配准）、网格（三大重建算法、简化、平滑、修复）、RGB-D（内参反投影、TSDF 多帧融合）、体素与八叉树——每一节都从"数据现在坏在哪"讲起，给出参数怎么选、坑在哪里。

本节导航

阅读完本章，你应当能够：

1. 为百万级点云设计"降采样 → 去噪 → 法线"的清洗顺序，并说清每步参数的依据；
2. 用 ICP 完成两帧点云配准，并在局部最优时用 RANSAC 全局粗配准兜底；
3. 在泊松、Alpha、球枢三种表面重建算法中按数据质量做选择；
4. 把一串 RGB-D 帧融合成带颜色的稠密网格，理解 TSDF 的体积式思路；
5. 用体素网格和八叉树做空间索引，知道什么时候它们比 KD 树更划算。

核心概念速览

四节共享同一条处理哲学：先洗数据，再动几何，最后成形。下图是本章所有操作在一条流水线上的位置：

三维数据处理没有银弹，但有顺序：数据越脏，越要在早期花时间——后面每一步的错误都会被放大。

子章节导航

2.1 点云数据处理实战

最常用的一节：三种降采样、两种去噪、法线定向、DBSCAN 聚类、RANSAC 平面分割与 ICP 配准。日常 80% 的点云需求都在这里。

2.2 网格处理与表面重建

从点云到网格的三条路（泊松/Alpha/球枢），加上简化、平滑与水密性检查。交付"能渲染、能打印"的模型靠这一节。

2.3 RGB-D 图像与 TSDF 融合

深度相机的帧怎么变成点云、多帧怎么融合成完整模型。手持扫描类应用的核心原理。

2.4 体素网格与八叉树

规则空间划分的两种实现：均匀体素与自适应八叉树。碰撞检测、占据地图、大场景近邻的效率工具。

子章节之间的逻辑关系

2.1 是主干，其余三节是"点云之后的三个去向"：

                 ┌── 2.2 重建 → 网格（面向渲染与交付）
原始点云 ──清洗──┼── 2.3 融合 → 稠密模型（面向手持扫描）
   (2.1)        └── 2.4 索引 → 体素/八叉树（面向空间查询）
​

2.1 的法线质量直接决定 2.2 重建成败，2.3 的融合结果又常拿去 2.2 做表面提取——四节是一条藤上的瓜，建议按序读，实战时按需跳。

本章核心决策图

章首的决策图把「数据要去哪」画成三条岔路，实战中还需要加一条隐含的回环：三条路的产物都可能回到 2.1 节再清洗——重建出的网格可能要采样回点云做比对，融合出的模型可能要降采样后入库，索引用的体素中心本身就是一个新点云。数据在形态间的循环往返是常态而非例外，所以 2.1 节的清洗技能是全书复用率最高的一节。第一次读可以按序走完四节，第二次读建议从任意一节的产物出发，沿着回环走一圈，对「数据形态即任务视角」的理解会深一层。

前置知识与后续延伸

• 前置：第 1 章的数据结构（1.3）与模块地图（1.4）；知道 NumPy 数组的 shape 与索引。
• 为后续铺垫：2.1 的法线与配准是第 3 章行业应用（SLAM、检测）的积木；2.4 的体素思路在 3.2 的 ML 点云表达中再现；本章产出的网格/融合模型是 3.1 高级可视化的渲染对象。
• 动手建议：每节的示例代码都是"最小可跑"的，建议在本地跟着敲一遍并故意改坏一个参数（比如把体素边长调大十倍），观察结果崩坏的方式——对参数的体感就是这么长出来的。

本章参数速查卡

四节的参数加起来不到二十个，却是日常翻牌率最高的二十个。汇总成一张卡，用的时候回来查：

这张表也是"调参从哪里下手"的答案：先动起手值那一列，观察结果变化的敏感度，再精调。盲目在陌生参数上大步试探，是数据被毁的经典方式。

本章的四条主线心得

四节内容横跨四种数据形态，但有四条心得是贯穿的，先立在这里，读完各节回来对照：

心得一：顺序即正确性。降采样在滤波前、滤波在法线前、清洗在配准前——顺序颠倒不是"慢一点"，是结果系统性变坏（噪声进了法线、脏法线毁了配准）。

心得二：可视化是免费的测试。每一步的中间结果都画一眼，比任何数值指标都快地暴露"歪了、反了、缺了"。第三章的离屏渲染还能把它变成归档资产。

心得三：参数有手感才有自由度。每个参数都问三遍"再大一档会怎样、再小一档会怎样、依据是什么"，问完之后表格里的起手值才真正属于你。

心得四：算法假设决定适用边界。泊松假设光滑、球枢假设密集、TSDF 假设位姿准——数据违反假设时，再好的参数也救不回来，换算法而不是硬调。

这四条心得比任何单个 API 都值钱，它们是"点云工程师"与"会调点云函数的人"之间的分界线。