写一份示例代码：对输入的三维点云坐标数据拟合三维空间曲线，并对曲线进行采样，输出采样点坐标

在Python中，我们可以使用matplotlib库和scipy.optimize模块来进行三维空间曲线拟合，并用numpy处理点云数据。这里我们假设你有一个二维数组`points`，其中每一行代表一个三维点的(x, y, z)坐标。我们将使用最小二乘法（如多项式或贝塞尔曲线）来拟合这些点。

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 假设你有如下三维点云数据
points = np.array([[x1, y1, z1], [x2, y2, z2], ...])  # 用实际数据替换

# 选择一种曲线类型，例如二次贝塞尔曲线
def bezier_curve(t, a, b, c, d):
    return a * (1 - t)**2 + b * 2 * (1 - t) * t + c * t**2

# 对点云数据进行拟合
popt, _ = curve_fit(bezier_curve, points[:, 0], points[:, 1:3])

# 创建t值范围用于采样
t_values = np.linspace(0, 1, num=100)  # 100个等间距点

# 根据拟合参数计算采样点
spline_points = bezier_curve(t_values, *popt)

# 将结果转换回三维
spline_points_3d = np.column_stack((t_values, spline_points))

# 可视化原始点云和拟合曲线
fig = plt.figure()
ax = fig.add_subplot(projection='3d')

ax.scatter(points[:, 0], points[:, 1], points[:, 2], label='Original Points')
ax.plot(spline_points_3d[:, 0], spline_points_3d[:, 1], spline_points_3d[:, 2], 'r', label='Fitted Curve')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.legend()

plt.show()

# 输出采样点坐标
print("采样点坐标:")
for point in spline_points_3d:
    print(point)

在这个例子中，`bezier_curve`是一个简单的贝塞尔曲线模型，你可以根据实际情况选择其他的曲线类型，比如多项式、B样条等。记得要调整`curve_fit`中的参数定义以适应所选的曲线形式。