图 9-1-1 点云采样
在三维感知、计算机视觉与激光雷达应用中，点云数据往往包含数十万甚至上百万个空间离散点，其高密度、非结构化的特性不仅会占用大量存储资源，还会显著增加后续配准、重建、分割等任务的计算负担。点云采样作为核心预处理步骤，核心目标是在减少点云数量的同时，最大限度保留原始点云的几何特征与空间结构，实现“降点不减质”。
本文将系统梳理主流点云采样算法，从原理拆解、权威出处，到代码实现，全方位解析每种方法的优劣与适用场景，助力开发者快速选型、高效落地。
原始点云（尤其是激光雷达、深度相机采集的数据）存在三大痛点：一是数据冗余，相邻点的坐标、法向量等信息高度重叠；二是计算成本高，百万级点云的邻域搜索、特征提取等操作耗时极长；三是噪声干扰，密集点云中的离群点会影响后续算法精度。
点云采样的核心价值的在于：
（1）降低计算复杂度，加快后续算法响应速度，适配边缘设备部署需求；
（2）减少内存与存储占用，优化数据传输效率；
（3）剔除冗余点与部分噪声，增强特征点的代表性；
（4）使点云分布更均匀，为后续深度学习、几何重建提供更优质的输入数据。
根据采样原理的不同，主流点云采样算法可分为5大类：随机采样、均匀采样、特征采样、拓扑采样。每类方法各有侧重，适配不同的应用场景，本章逐一详细解析。
