1. 体素下采样，网格采样
在网格采样中，点云被分割成规则的网格或体素，然后从每个网格或体素中选择一个代表点。
效率高
采样点分布相对比较均匀
可以通过控制网格尺寸控制点间距
不能精确控制采样点个数
可能会导致信息丢失，因为它可能无法捕捉到点云中的局部细节
2. 随机下采样
这是最简单的点云随机采样方法之一。它涉及在点云中随机选择一定数量的点，以保持数据的多样性。这种方法的问题在于，它可能会引入采样偏差因为随机选择的点可能不均匀地分布在点云中
能控制输出点云的数量
随机性太大，可能剔除点云的关键数据
3. 最远点采样
选择一组点云中距离最远的点。这种采样方法通常用于点云分割、点云配准、点云匹配以及其他需要代表性点的任务。最远点采样的主要思想是选择那些能够最好地捕捉点云整体特征的点,
基本流程
1. 随机选择一个起始点: 从点云中随机选择一个点作为起始点，或者手动指定一个起始点。
2. 寻找下一个最远点: 从起始点开始，计算每个点与当前已选择点之间的距离，并选择距离最远的点作2为下一个采样点。
3. 重复该过程:重复第2步，直到达到所需的采样点数量。在每一步中，已经选择的点会被包含在距离计算中，以确保新选取的点距离现有点最远。
优点
代表性: 所选的点足够分散，可以很好地表示整个点云的特征，而不局限于局部结构。
简单性:实现相对简单，不需要太多的参数调整，
高效性: 在大型点云上也可以高效运行，因为每个点只需要与已选择的点进行距离计算
缺点
对初始点的敏感性
不考虑局部结构
4. 几何采样
以点云的几何特征作为采样依据。以曲率为例，在点云中任意一点都存在某曲面，曲率越大，弧的弯曲程度越大，表示该地方的特征点越多，故在点云曲率越大的地方，采样点数越多
5. 上采样
通过内插点云的方法对点云数据对进行扩充，达到保证基本形状不变的情况下增加点云。可极大的增加点云数据但由于内插点的不确定性会导致最后输出的结果不一定准确
标签：采样,云中,网格,选择,点云,方法,最远 From： https://www.cnblogs.com/dwletsgo/p/17767143.html