PCL 移动最小二乘法：点云平滑与法线估计

note · 来源与许可 旧稿是 2014 年 CSDN 文章转载，导出内容未保留明确转载许可，故原转载已移入私有来源归档。本文是依据 PCL 官方教程重新编写的独立摘要；示例接口以 PCL 当前文档为准。PCL 项目使用 BSD 许可证。

MLS 解决什么问题

移动最小二乘法（Moving Least Squares, MLS）在每个采样点的局部邻域拟合平滑曲面，并把点投影到局部曲面上。它常用于：

• 降低扫描噪声造成的局部起伏；
• 对点云重采样；
• 同时估计平滑后的法线；
• 为后续三角化提供更一致的点和法线。

MLS 输出的核心仍是点云（可包含法线），不会仅凭这一步生成三角网格。

基本流程

#include <pcl/point_types.h>
#include <pcl/search/kdtree.h>
#include <pcl/surface/mls.h>

using InputPoint = pcl::PointXYZ;
using OutputPoint = pcl::PointNormal;

pcl::PointCloud<InputPoint>::Ptr input(new pcl::PointCloud<InputPoint>);
pcl::PointCloud<OutputPoint> output;

pcl::search::KdTree<InputPoint>::Ptr tree(
    new pcl::search::KdTree<InputPoint>);

pcl::MovingLeastSquares<InputPoint, OutputPoint> mls;
mls.setInputCloud(input);
mls.setSearchMethod(tree);
mls.setSearchRadius(0.03);  // 应按点间距与几何尺度调参
mls.setComputeNormals(true);
mls.process(output);

具体接口会随 PCL 版本变化，编译时应核对当前头文件和官方示例。

参数与边界

• 搜索半径过小：邻域点不足，拟合不稳定或出现空洞。
• 搜索半径过大：跨越尖锐边缘或薄壁两侧，细节被抹平。
• 多项式阶数越高不等于越准确，噪声、采样密度和计算成本都会影响结果。
• 离群点会扭曲局部拟合，通常先进行统计或半径离群点过滤。
• 点云密度变化剧烈、存在大孔洞或薄结构时，应分区调参并与原始数据对照。

验证方式

1. 记录点间距分布，以它为搜索半径的尺度依据。
2. 在平面、曲面、尖锐边缘和稀疏区域分别抽样可视化。
3. 比较点到原始数据/参考表面的距离，而不只看“更光滑”。
4. 检查法线方向一致性及后续网格的孔洞、自交和错误连接。

参考资料

• PCL 官方教程：Smoothing and normal estimation based on polynomial reconstruction
• PCL BSD License