简介：面向点云处理初学者与进阶用户的 CloudCompare 中文教程，围绕这款三维点云处理与分析工具，帮助读者解决界面陌生、功能入口分散、处理流程不连贯的问题，适用于地质、建筑、测绘与工程等三维扫描场景。压缩包内为 1 个 PDF 文件，约 4.95MB，内容按模块组织：基本操作、显示与保存设置，Primitive Factory 几何体创建与采样，颜色渲染、法线估计与八叉树，Delaunay 剖分与网格操作，以及 Tools 中的去噪、配准、降采样与插件扩展。汉化方法、ICP 配准、cloud distance、merge 等技巧均配图文说明，方便随用随查。内容兼顾原理与截图示例，读者可据此走通点云导入、预处理、分析与后处理全流程，并理解八叉树、法线精细化等参数作用。目前已有 1469 人学习，适合希望系统掌握该工具的中文用户收藏备查。

1. 点云一进软件就“飘走”：先改 Global shift，再谈任何算法

从某高校实验室拷来的那份 CloudCompare 课程资源，目录里躺着 PPT、汉化说明和一堆菜单截图，新人照着从 File 点到 Plugins，一圈下来还是不知道从哪下手。真正让人卡住的往往不是功能太多，而是打开文件那三秒：带投影坐标的 LAS 一进来，点云直接飞出视图，鼠标滚轮转到手酸也找不回来；或者两个测站的点云看着重叠，一配准就飞。这类问题九成出在 File → Global shift settings 这一栏，先把它调对，后面 Octree、ICP、C2C 才有意义。这份资源的价值不在截图多，而在于它把 File、Edit、Tools、Display、Plugins 五个菜单按“数据流”串了一遍，适合刚接手点云项目、手上有一份实测数据却不知道先动哪的人。

2. 先造一个“已知答案”的点云：Primitive Factory、颜色与法线这三步

拿真实数据练手最大的问题是：你不知道结果对不对。平面到底平不平、法线朝里还是朝外、颜色渐变有没有被拉伸，全凭感觉。所以我在带人上手时，第一步永远是用 Primitive Factory 造一个几何参数完全已知的模型，再从模型上采样点云，拿它当试验台。这一章把“造数据 → 上色 → 算法线”这条链路走完，后面所有滤波、配准、距离计算的调试，都可以回到这个试验台上验证。

2.1 Primitive Factory 与采样：把参数捏在自己手里

Primitive Factory 在 File 菜单下，打开后左边是图元类型（平面、立方体、球体、圆柱、圆锥、圆环、碟形、坐标轴），右边是尺寸参数和“初始精度”。初始精度这个字段决定生成模型的面片数量，数值越大越精细，但对后面采样点云的密度影响很直接——很多教程一句“设置初始精度”就带过，实操时你会发现精度给低了，采样出来的点云在曲面上明显分层，做曲率计算全是噪点。

常见做法是：先用默认精度生成，记下三角形数量，再去 Mesh → Measure surface 看总面积，估算一下你要的点间距，反推精度。生成后的图元可以用 Edit → Apply Transformation 做刚性变换，把它摆到任意位置——这一步很关键，因为默认图元是沿 X、Y、Z 主轴对齐的，你要测倾斜面的法线，就得先把它转斜。

从模型采样点云走 Edit → Mesh → Sample points，参数只有两个：采样点总数和采样方式。这里有个容易忽略的点——采样得到的新点云默认不继承原网格的法线，如果你后面要做法线相关操作，记得勾选相关选项或单独再算一遍。

下面这段脚本用 Python 造一个带噪声的平面点云，格式存成 PLY，方便你在没有真实数据时先跑通流程：

import numpy as np # 造一个 20m x 20m 的平面，格点间距 0.05m，模拟激光扫描的均匀采样 step = 0.05 xs = np.arange(0, 20, step) ys = np.arange(0, 20, step) X, Y = np.meshgrid(xs, ys) # 平面方程 z = 0.02*x + 0.01*y，故意给一点坡度，方便后面验证法线方向 Z = 0.02 * X + 0.01 * Y # 叠加高斯噪声，模拟测距误差，σ 取 3mm rng = np.random.default_rng(42) Z_noisy = Z + rng.normal(0, 0.003, Z.shape) pts = np.column_stack([X.ravel(), Y.ravel(), Z_noisy.ravel()]) # 手写 PLY 头，避免依赖 open3d / plyfile 这类第三方包 header = ( "ply\n" "format ascii 1.0\n" f"element vertex {len(pts)}\n" "property float x\nproperty float y\nproperty float z\n" "end_header\n" ) with open("test_plane.ply", "w") as f: f.write(header) for p in pts: f.write(f"{p[0]:.4f} {p[1]:.4f} {p[2]:.4f}\n") print("points:", len(pts))

逻辑说明：网格化生成 XY 平面上的规则点，Z 由平面方程给出，再叠加 3mm 标准差的高斯噪声——这个量级接近中短程地面激光扫描的测距精度。手写 PLY 头是为了免装依赖，CloudCompare 对 ascii PLY 的兼容性很好。参数上，step控制点间距，它直接决定后面八叉树体素大小的合理取值；噪声 σ 控制平面拟合 RMS 的量级，你后面用 Fit → Plane 查 RMS 时，结果应该落在 3mm 附近，对不上就说明哪一步出了问题。这就是“已知答案”的意义。

提示：如果你拿到的实测数据点数在千万级以上，先在 CloudCompare 里用 Edit → Subsample 降到几百万再操作，界面响应会顺很多，别一上来就拿全量数据做 ICP。

2.2 颜色渲染：五种方式对应五种完全不同的用途

Edit → Colors 下面那一串命令名字很像，实际用途差得远，误用会得到看起来“有颜色”但完全没信息量的结果。

Set Unique 是给整个实体刷一个纯色，用途只有一个：在多个点云叠在一起时区分谁是谁。Colorize 是把当前颜色乘上你选的颜色，红乘绿得黑——这个操作不可逆，刷之前想清楚，我见过有人把整份彩色点云刷成黑色还找不到撤销。Levels 是调色阶柱状图，本质是 RGB 通道的对比度拉伸，适合扫描件颜色发灰、需要提对比度的场景。Height Ramp 按某一维（通常是 Z）做线性、梯形或环形渐变，是快速看地形起伏最省事的办法。Convert to grey scale 转灰度，之后再用 Convert to Scalar Field 把灰度变成一个标量域，就能拿去做滤波、分割、统计——这是“颜色 → 数值”的关键一跳，很多人卡在只有颜色没有数值，没法参与运算。

我一般的工作顺序是：先 Set Unique 确认点云有没有明显错层，再 Height Ramp 看整体形态，需要定量分析时才走 Convert to Scalar Field 这条路。Interpolate from another entity 用于给低密度点云补色，采样自另一份带色点云；Enhance with intensities 是把强度信息叠加到颜色上，适合有回波强度的激光数据。

注意：Convert to Scalar Field 生成的标量域在实体被合并（Merge）之后不会自动保留，合并前先确认哪些属性是你要带走的。

2.3 法线三步走：Compute、Orient、Convert 不是同一件事

法线是 CloudCompare 里翻车率最高的环节，原因是大多数人把“算出来”当成“算对了”。实际流程是三件事：Compute 只负责给每个点估计一个法线方向和曲率；Orient 负责把这些法线的朝向统一（朝同一侧）；Convert 负责把法线转成可运算的标量域或颜色。

Compute 的参数里最要紧的是邻域半径或最近邻点数。半径给小了，法线随噪声乱摆；给大了，曲面拐角被抹平。经验值是取点间距的 3～8 倍，先用 5 倍试，看结果再调。计算完之后你会看到点云变“黑”了一块，这是法线朝后的点在光照下的表现——不是数据坏了，是没做 Orient。

Orient Normals 有两个常用方法：With Minimum Spanning Tree 和 With Fast Marching。前者对闭合、结构完整的点云更稳，后者在开放曲面、法线朝向需要沿某个种子点扩散时更好用。用法上都要先给一个参考方向或者种子点，随便点一个大致朝外的点当种子，效果通常比默认好。这里没什么玄学，就是种子选偏了整片法线跟着偏。

Convert to 有三个出口：HSV 把法线方向映射成颜色，肉眼检查朝向最直观；Dip and Dip direction 输出两个标量域，做地质产状分析时用；Export normals to SF(s) 把 XYZ 三个分量各存一个标量域，方便做筛选。我通常的做法是算完先 Convert to HSV 看一眼颜色是否连贯，有突变斑块就说明邻域参数给错了或者点云本身有裂缝。

3. 八叉树、减点与网格化：内存账本要先算清楚

点云处理到一定规模，瓶颈从来不是算法慢，是内存先炸。八叉树是 CloudCompare 里几乎所有加速结构的底座——邻域搜索、重采样、距离计算、法线估计，底下都在建它。理解它的“体素”概念，比记住菜单在哪有用得多。这一章把八叉树、三种减点方式和 Delaunay 网格化放在一起讲，因为它们共用同一套空间尺度参数，参数给一次，三处都受影响。

3.1 八叉树在 CC 里到底管什么

八叉树的原理不复杂：把整个包围盒沿三个轴各切一刀，分成八个子体素，递归下去直到每个体素里的点数低于阈值或者体素尺寸小于下限。CloudCompare 的 Octree → Compute 是“强制”计算，你平时不点它，很多操作也会在后台自动建——区别在于自动建的参数是软件猜的，手动建可以自己定。

手动设的参数主要是最大体素数和最小体素数，或者直接指定八叉树层级。层级每加一级，体素数量乘八，这是指数增长，层级从 10 加到 12，体素数量翻四倍，内存和耗时会明显不一样。我在 3000 万点的实测地形数据上试过，层级给到 11 的时候界面还能拖动，给到 13 就开始卡。

Octree → Resample 是用每个最小体素的质心替代体素内所有点。注意这个操作会改变点的位置，不是简单的抽稀——原来的点被“平均”掉了，细小的特征（比如一根电缆、一个棱角）会消失。需要保特征的时候别用它，用 Subsample 里的随机或空间采样更稳妥。

八叉树可视化在 Display 里能开，效果是把体素框画出来，用来确认层级选得合不合适。层级太粗，框比房子还大；太细，满屏都是线什么都看不清。这个工具主要是给你一个直观的尺度感，实际操作中我更多是靠点间距反推。

3.2 Subsample、Octree Resample、SOR filter：三种减点各管一段

这三个功能经常被混用，但目标完全不同，用错了不是效果差一点，是数据性质变了。

Subsample 里的“空间”模式按最小点间距抽稀，这个参数和八叉树体素尺寸是一个量级的概念，但它是“保证任意两点间距不小于 d”的贪心抽稀，结果在空间上比体素质心均匀得多，也更保特征。我在做点云配准前一般用这个，把两片云的密度拉到接近，ICP 的收敛会稳。

SOR filter 的参数是两个：邻域点数 k 和标准差倍数 n。判定规则是，如果某点到它 k 个邻居的平均距离超过全局均值加 n 倍标准差，就删掉。k 一般给 6～20，n 给 1.0～2.0，n 越小删得越狠。这个操作对飞点非常有效，但对本身就有稀疏区域的数据（比如被遮挡的墙角）容易误删，删完记得对比一下点数变化比例，掉超过 5% 就要警惕。

Noise filter 是低通，会移动点的位置，签合同上写“原始坐标不可变”的项目里别用，或者用完单独另存一份。

提示：任何会改变点位置的操作（Resample、Noise filter、Smooth），做完都建议 Clone 一份原始实体对比，CloudCompare 的属性对话框里能直接看点数，但看不出点被移动了多少。

3.3 Delaunay 2.5D 的两个平面选项，以及网格后处理

Mesh → Delaunay 2.5D 有两个入口：XY plane 和 best fit plane。前者是把点投影到 XY 平面做三角剖分，后者的投影面由点云自身拟合出来。这个区别对倾斜扫描的数据是致命的：一面墙的点云，用 XY plane 剖分，得到的是墙在水平面上的“影子”，三角形全部拉得极长；用 best fit plane，才能得到贴在墙面上的网格。

判断该用哪个的办法很简单：先 Fit → Plane 拟合一下，看平面的法向和 Z 轴夹角。夹角小于 10 度，XY plane 够用；超过 30 度，必须用 best fit plane；中间地带两个都试，看哪个三角形形态更均匀。

网格出来之后常见的后续操作：Smooth (Laplacian) 做平滑，参数是迭代次数，次数多了会收缩体积，做体积测量前别用；Subdivide 递归细分三角形，直到边长小于指定值，适合把粗网格加密后做纹理映射；Measure surface 输出总面积和平均三角形面积，前者用来核对，后者用来判断网格质量——平均面积异常大，说明有长条形三角形，剖分面选错了。

Convert texture/material to RGB 是把网格的贴图信息转成逐点 RGB 字段，转完之后可以只保留点云不要网格，这条路在做“带颜色的稠密点云”时很实用。Flag vertices 会标出边界点和非流形点，检查网格是否闭合（做体积计算的前提）就靠它，输出里 1 代表边界、2 代表非流形，闭合网格应该全是 0。

4. 配准与距离：从粗配准到 ICP，再到误差怎么读

配准是整个流程里最容易“看起来成了其实没成”的一步。视图里两片云叠得挺齐，一算距离 RMS 是 8 厘米，回头查发现是 ICP 收敛到了局部最优。这一章把粗配准的三条路、ICP 的前置条件和参数、以及三种距离计算方式的适用边界讲清楚。配准做对了，后面的偏差分析才有意义；配准错了，后面所有数字都是精致的垃圾。

4.1 粗配准的三条路径，选错路径后面全白费

Tools → Registration 下面有三条粗配准路径，适用条件完全不同。

Match bounding-box centers 是把所选实体的包围盒中心对齐。它快、不需要人工，但只在两片云“形状相似、尺度相同、只是位置不同”时才有意义。两个测站扫同一栋楼的不同面，包围盒形状就不一样，硬对齐会把点云推到更远的地方。这个方法我一般只用在“同一物体的两次扫描、已知没有旋转”的场景。

Align (point pairs picking) 是手动拾取至少三个对应点。三个点不能共线，最好分散在点云的三个角落。拾取时会弹出一个对话框，左边点一片云、右边点另一片云的对应位置，拾完点 Align 出变换矩阵。这个方法稳，缺点是人工成本高，而且拾点精度直接影响初值。我的习惯是拾 4～6 个点，多出来的点用于检查残差，如果某对点的残差明显大于其他，说明点错了，删掉重拾。

New alignment tool 是半自动的，它会先在两片云里各找一批特征点，让你确认匹配关系，再算变换。相比纯手动，它在纹理弱、特征不明显的点云上更有优势，但确认环节还是要人看，别一路点确定。

粗配准的目标不是“对齐”，是把两片云拉到 ICP 的收敛半径以内。经验上，粗配准后两片云的重叠区域偏差应该在同一量级（比如都在半米以内），如果差着几米，ICP 基本必翻车。

4.2 ICP 的前置条件与那几个滑块

Fine registration (ICP) 有两个硬前提，原文里写得很清楚：两片云大体上相融；表现为同样的对象或至少有同样的形状。这两句话翻译成操作就是：粗配准已经做到大致重合，且两片云扫的确实是同一块东西。

参数上主要是这几项：参考实体（reference）和数据实体（data）的指定，谁不动谁动要想清楚，因为最终变换矩阵是作用在 data 上的；最大迭代次数，默认值一般够用，收敛慢的时候可以加到 100 以上；最终重叠度（final overlap），这个值直接决定用哪些点参与误差计算，给 100% 意味着全部点都要参与，对有遮挡的实测数据不现实，一般给 70%～90%；调整尺度（adjust scale）在两次扫描尺度一致时一定要关掉，开着会让 ICP 顺手把尺度也改了，得到一个“更优”但物理上错误的结果。

判断 ICP 是否收敛，看控制台输出的最终 RMS。但这个数要辩证看：重叠度设得越低，RMS 越好看，因为不重合的部分被排除了。我一般的做法是固定重叠度跑一次，再把重叠度调高跑一次，如果两次的变换矩阵差异很小，说明配准是稳的；差得多，说明数据本身重叠不够，得回去补扫或者换粗配准方式。

命令行做 ICP 的写法（参数名以你本地版本的-HELP输出为准）：

# -SILENT 关掉交互，-O 依次打开两个文件，第一个是参考，第二个是待配准 # -ICP 触发精配准，-SAVE_CLOUDS 保存结果，输出格式由 -C_EXPORT_FMT 指定 CloudCompare -SILENT \ -C_EXPORT_FMT PLY \ -O ref.ply \ -O moving.ply \ -ICP \ -SAVE_CLOUDS

逻辑说明：命令行模式下 CloudCompare 不开界面，所有操作按参数顺序执行。两个-O的先后顺序决定谁是参考谁是被变换对象，这一点和 GUI 里的行为一致，但命令行没有对话框提醒你，顺序写反了结果就是反的。-C_EXPORT_FMT要写在保存之前，否则按默认格式输出。批处理脚本里跑之前，先在 GUI 里把参数试好，再把命令抄过来，能省很多调试时间。

4.3 C2C、C2M、M3C2：三种距离各自的适用面

配准完成之后要评估偏差，Tools → Distances 下有三个主要选项。

Cloud/Cloud dist (C2C) 算的是点到点的最近距离，输出一个标量域。它的优点是快、直观，缺点是受点密度影响大——两片云密度不同的时候，稀疏那片算出来的距离会系统偏大。所以做 C2C 之前，务必先把两片云抽稀到接近的密度，否则你测的是密度差不是形变。

Cloud/Mesh dist (C2M) 算点到面的距离，把其中一片云网格化之后用。相比 C2C，它不受点密度影响，测的是真实几何距离，做墙体平整度、构件变形这类分析时更靠谱。代价是要先有一个质量过得去的网格。

M3C2 是插件（Plugins → qM3C2），算的是沿法线方向的有向距离，还会给出置信区间。它适合做时序变化检测——两次扫描之间哪里凸了、哪里凹了，方向和量值都清楚。参数主要是法线尺度、投影尺度和最小点云密度，三个值都和点间距挂钩，先用点间距的 5～10 倍试。M3C2 的置信区间很重要，变化量小于置信区间的区域不要当真实变化报出去。

注意：距离计算的标量域一定要用 Color Scales Manager 调色阶，默认色阶可能把你的有效变化范围压成一条细带，看着像“全都很接近”，实际差异不小。

5. 避坑与排查：五条踩过的记录

这一章的五条，每一条都在实际项目里浪费过半天以上。写出来不是为了吓人，是让你遇到时能三分钟内定位，而不是从头怀疑人生。

5.1 点云一片漆黑，法线算完反而更黑

现象：Compute 法线之后，点云某些区域变黑，转视角也不恢复。

原因：法线朝向不统一，背向光源的点在渲染时就是黑的。这不是渲染 bug，是法线本身没做 Orient。

解决：先 Normals → Orient Normals → With Minimum Spanning Tree，给一个种子点；如果点云是开放曲面，改用 With Fast Marching。另一种可能是有部分点的法线是 NaN（邻域内点数不足），这种情况下把 Compute 的邻域半径调大，或者先做一次 Subsample 保证密度均匀再算。判断方法：Convert to HSV，颜色出现明显分区就是朝向问题，颜色杂乱无章就是邻域参数问题。

5.2 打开 LAS 后点云消失，坐标数值大得吓人

现象：文件打开成功，视图里什么都没有，双击实体看属性，坐标是几十万、几百万的量级。

原因：数据带投影坐标（比如高斯投影的东坐标），CloudCompare 的视图是以原点为中心的，几百万的坐标直接把点云推出可视范围。另外浮点精度在这种量级下也不够，点与点之间的细微差别会被吞掉。

解决：File → Global shift settings 里设一个平移量，通常取坐标的整数部分（比如把 X 的 500000 减掉），让点云回到原点附近。这个平移量会被记录在实体属性里，导出时可以选择是否加回去，别在导出环节忘了这一步，否则成果坐标全错。经验上，坐标绝对值超过 10000 就该考虑做 shift。

5.3 汉化之后菜单对不上教程，越看越乱

现象：按教程找“工具 → 配准”，自己界面上是“Tools → Registration”，或者反过来，中文版某个词翻译得和教程里的叫法不一样。

原因：汉化是通过 Language Translation 加载翻译文件实现的，不同版本的翻译覆盖度不一样，有些词条没翻译就显示英文，有些翻译用词和通用叫法有出入。

解决：学习和查资料阶段建议用英文界面，社区里的教程、参数名、报错信息基本都是英文，对着中文界面搜索命中率低。真要汉化，走 Display → Language Translation 选简体中文，翻译不全的部分会保留英文，属于正常现象。切换语言后如果界面错乱，用 Display → Reset all GUI elements 恢复默认布局。

5.4 保存的工程再打开，标量域和法线全没了

现象：Save 之后重新打开，点云还在，但之前算的颜色、标量域、法线消失。

原因：CloudCompare 的 Save 保存的是当前工作区的实体，实体上的属性（标量域、法线、颜色）是否保留取决于保存格式。BIN 格式是原生格式，能完整保留所有属性；PLY、LAS 这些交换格式只保留各自支持的字段，PLY 能存法线和颜色但不一定存所有标量域，LAS 的字段更受限。

解决：中间过程一律存 BIN，交付成果再按客户要求的格式导出。存 BIN 的时候注意文件体积会大不少，但换来的是可以随时回到任意中间状态。另一个容易忽略的点：Merge 之后的实体如果还想保留各原始实体的标量域，合并前先确认属性名不冲突，冲突的话 CloudCompare 会覆盖。

5.5 插件列表里少了一大半，qPCL、qC2C 找不到

现象：Plugins 菜单下只有寥寥几个，教程里提到的 qPCL、qM3C2、qCSF 都没有。

原因：CloudCompare 的插件分两类，一类随主程序编译进去，一类是独立的动态库文件，需要单独下载放到程序目录下的 plugins 文件夹里。另外部分插件依赖第三方库（比如 qPCL 依赖 PCL），安装包没打包就会缺失。

解决：先去插件目录确认文件在不在，在的话检查版本是否匹配主程序版本，不匹配会静默加载失败。加载失败的信息一般在 Console 里能看到，别只看界面。命令行模式下用-PLUGIN相关参数可以列出可用插件，比在菜单里数快。

6. 批处理与可复现：把一次操作变成一条命令

GUI 点一遍能出结果，点十遍就开始出错——这是我做了几个测站对比之后的真实体会。CloudCompare 的命令行模式能把“打开、降采样、配准、算距离、导出”这一串固化成脚本，第二天换一份数据重跑，结果可比。下面这条链路是我现在做批处理的默认骨架，改数据路径就能用。

6.1 一条命令串起降采样、配准与距离

#!/usr/bin/env bash set -e # 输入：两期扫描的点云，输出：带 C2C 距离标量域的结果 REF="ref.ply" MOV="moving.ply" CloudCompare -SILENT \ -C_EXPORT_FMT PLY \ -O "$REF" \ -SS SPATIAL 0.02 \ -O "$MOV" \ -SS SPATIAL 0.02 \ -ICP \ -C2C_DIST \ -SAVE_CLOUDS

逻辑说明：-SS SPATIAL 0.02是空间抽稀，0.02 表示最小点间距 2 厘米，两片云用同一个值抽稀，保证密度一致——这一步是 C2C 结果可信的前提。-ICP在前、-C2C_DIST在后，顺序不能反，距离必须在配准之后算。-SAVE_CLOUDS会把所有实体连同新生成的标量域一起写盘，文件名自动加后缀。

参数上，抽稀间距取原始点间距的 2～4 倍比较合适，太小起不到降内存的作用，太大细节没了。ICP 的默认参数在命令行下不能像 GUI 那样逐个调，需要精细控制的话，先 GUI 调好再抄命令。

6.2 用标量域做质检：把“看着差不多”变成数字

批处理跑完，最忌讳的是打开结果看一眼颜色就交差。我一般的做法是导出标量域的统计参数：Edit → Scalar fields → Compute statistical parameters，看 RMS、标准差、最大最小值。这几个数要和项目精度要求对得上，对不上就回去查抽稀间距、配准重叠度、参考数据的坐标基准。

这张表我一般贴在项目文档里，每次跑完逐项填，填不满就不往下走。

下面是一些我在长期使用后固定下来的习惯：任何要交付的数据，导出前一定先在 BIN 里存一份中间状态，后悔药只有这一颗；任何涉及坐标的操作，做完立刻看属性面板里的坐标范围，数值不对马上停；任何标量域，算完先 Show histogram，分布有明显双峰或者长尾，说明数据里混进了不该有的东西。从那以后我每次接新数据，都会先跑一遍这个最短链路——造测试点云、算法线、抽稀、配准、算距离、看统计——把工具的脾性摸一遍再动真数据，省下来的返工时间远超这几分钟。希望帮到你。

本文还有配套的精品资源，点击获取