cloudcompare降采样

### CloudCompare 中点云降采样方法

#### 使用八叉树进行点云下采样
CloudCompare 支持通过八叉树结构来进行高效的点云下采样。这种方法能够有效地减少点云中的冗余信息，同时保持重要的几何特征[^1]。

import cloudcompare as cc

# 打开CloudCompare并加载点云文件
cc.loadPointCloud('cloud.ply')

# 设置八叉树参数
octree_depth = 5  # 八叉树深度
sampling_method = 'OCTREE'  # 下采样方法设置为八叉树

# 应用八叉树下采样
downsampled_cloud = cc.applyDownSampling(sampling_method, octree_depth)

# 保存结果
cc.savePointCloud(downsampled_cloud, 'downsampled_octree.ply')

#### 随机下采样
除了八叉树外，CloudCompare 还提供随机下采样的功能。该方法可以通过指定固定的点数或按比例抽取点来简化点云数据[^3]。

##### 基于固定点数的随机下采样
当需要控制最终点的数量时，可以选择此选项：

fixed_num_points = 10000  # 设定目标点数量
random_sampling_fixed = cc.RandomSample(fixed_num_points)
result_fixed = random_sampling_fixed.execute(cloud)
cc.writePointCloud(result_fixed, "output_random_fixed.ply")

##### 百分比随机下采样
如果希望按照一定百分比保留原有密度，则可采用这种方式：

percentage_to_keep = 0.75  # 保留原有点云75%的数据量
random_sampling_percentage = cc.RandomSample(percentage=percentage_to_keep)
result_percent = random_sampling_percentage.execute(cloud)
cc.writePointCloud(result_percent, "output_random_percent.ply")

#### 实际应用案例
对于大规模点云（例如超过百万级别的点），通常会先评估具体需求再决定合适的降采样策略。比如，在一个拥有约588万个点的空间分布模型中，使用空间划分法(space)，设定分辨率阈值为0.2米，经过处理后的点云显著减少了存储和计算成本[^4]。