做点云处理，总有一道绕不过去的坎：你算出了结果，打开可视化工具一看却是一团没有层次的灰白色点云——想分辨高度差个几厘米的台阶、想看清不同物体的边界、想告诉旁边同事“这片区域是天花板，那片是地面”，可屏幕上根本看不出所以然。这时候你需要的不是继续调算法参数，而是先学会一件事：给点云上色。

我用 PCL（Point Cloud Library）做三维数据处理也有几年了，踩过的坑不少，其中“可视化调了半天，最后发现只是不会上色”这种情况占了很大比例。点云本身只是一个三维坐标集合，配上颜色之后才真正“会说话”：既能表达高度、强度、法线方向这些几何属性，也能表达分割、聚类这些语义信息。这篇文章我把自己常用的几种上色方法整理成一份笔记，每个方法都附有可复现的代码思路和实测经验，适合刚接触 PCL、或者做可视化调试时总被颜色问题卡住的朋友。

1. 颜色数据模型：先搞清楚 RGB 到底存在哪里

1.1 PointXYZRGB 的本质：颜色和坐标共用一段内存

很多新手拿到点云第一件事就是写cloud->points[i].rgb = 0xFF0000，然后发现颜色没生效，或者渲染出来是乱的。这不是眼神不好，而是没弄明白 PCL 里颜色的存储规则。

PCL 中最常用的带颜色点类型是pcl::PointXYZRGB，它的内存布局其实是 4 个 float：x、y、z各占 4 字节，紧接着一个叫做rgb（也可能是rgba）的字段也占 4 字节。这个rgb字段并不是一个真正的小数，而是把 R、G、B、A 四个 uint8 打包到一个 32 位整数里，再把这个整数的位模式原封不动地解释成 float。所以你直接写p.rgb = 0xFF0000，在绝大多数平台上都会被当做一个很小的浮点数来解析，实际赋进去的 R、G、B 值全是错的。

正确的操作是直接操作 PCL 已经定义好的位域成员：p.r、p.g、p.b、p.a，它们本身是uint8_t，赋值最直观。底层实现是这样的：

union RGBA { struct { uint8_t r, g, b, a; }; float rgba; uint32_t rgba_u32; };

你赋值p.r = 255; p.g = 128; p.b = 0;和赋值一整块内存等效，只是 PCL 按位域方式帮你屏蔽了字节序细节。换句话说，平常写代码时把r/g/b当普通变量用就好，别去碰那个 float。这个解释我见过太多人踩坑，值得在文章最前面写清楚。

1.2 在 PointXYZ 和 PointXYZRGB 之间转换

如果你的原始数据是pcl::PointCloud<pcl::PointXYZ>，要上色就得先转成PointXYZRGB。最简单的方法是pcl::copyPointCloud：

pcl::PointCloud<pcl::PointXYZ>::Ptr xyz_cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*xyz_cloud, *cloud);

这段代码会把 x、y、z 以及 intensity、normal 等两边共有的字段一并复制，但不会凭空生成颜色字段——复制完成后所有点的 r、g、b 都是 0，也就是黑色。你要做的只是在后续循环里给每个点设置颜色。

还有一点值得注意：PointXYZRGB和PointXYZ在 PCD 文件里的字段名不同，前者写入时带rgb字段。如果你直接用savePCDFileASCII保存，文件里能看到类似rgb float的字段声明；用二进制模式保存时，则是在数据区按 RGB 的顺序打包。理解这一点对排查“保存后颜色丢失”的问题非常有用。

1.3 常用可赋色点类型速查

我在实际项目中通常这样分工：后端算法输出统一的PointXYZRGB，颜色用来临时表达某个中间结果；如果需要长期保存算法语义（比如聚类编号），那就用PointXYZRGBL，一个文件把所有信息都带走。后面所有上色方法，最终目标也都是往PointXYZRGB的 r/g/b 里填数。

2. 按高度上色：快速让点云“分层”

2.1 为什么 Z 高度上色最实用

三坐标数据里最容易直接观察的属性就是高度。室内点云里地面到桌面、桌面到天花板，Z 值差异明显；室外道路点云里路沿、台阶、边坡也是靠高度区分。给高度上色并不是让点云变“漂亮”，而是让几何结构一眼就能被人的视觉系统捕捉到。

原理非常简单：把每个点的 z 值归一化到一个区间，再映射成颜色。归一化之后，低处偏冷色调、高处偏暖色调，视觉上就形成了一条条“等高线”。处理一栋楼的点云时，按高度上色甚至能直接看清哪些区域属于不同楼层，比纯灰点云高效十倍。

2.2 Z 值归一化与 Jet 色带映射代码

上色前先算 z 的 min max。这里有个容易犯的错误：直接把整个点集里最大最小 z 拿来用。如果点云里有飞点或 NaN 值，最小值和最大值会被拉到夸张的范围，导致中间层次完全分不出来。所以我习惯先剔除非有限值，再用分位数或者直接手动指定范围。

#include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <algorithm> #include <cmath> pcl::PointCloud<pcl::PointXYZRGB>::Ptr colorByHeight( const pcl::PointCloud<pcl::PointXYZ>::Ptr& input, float min_z, float max_z) { pcl::PointCloud<pcl::PointXYZRGB>::Ptr out(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*input, *out); float range = max_z - min_z; if (std::fabs(range) < 1e-6f) range = 1.0f; for (size_t i = 0; i < out->size(); ++i) { float z = out->points[i].z; if (!std::isfinite(z)) { out->points[i].r = 255; out->points[i].g = 0; out->points[i].b = 0; continue; } float t = (z - min_z) / range; t = std::max(0.0f, std::min(1.0f, t)); if (t < 0.25f) { out->points[i].r = 0; out->points[i].g = static_cast<uint8_t>(t / 0.25f * 255.0f); out->points[i].b = 255; } else if (t < 0.5f) { out->points[i].r = 0; out->points[i].g = 255; out->points[i].b = static_cast<uint8_t>((1.0f - (t - 0.25f) / 0.25f) * 255.0f); } else if (t < 0.75f) { out->points[i].r = static_cast<uint8_t>((t - 0.5f) / 0.25f * 255.0f); out->points[i].g = 255; out->points[i].b = 0; } else { out->points[i].r = 255; out->points[i].g = static_cast<uint8_t>((1.0f - (t - 0.75f) / 0.25f) * 255.0f); out->points[i].b = 0; } } return out; }

上面这段就是经典的 Jet 色带近似映射，低到高依次走蓝、青、绿、黄、红。比起 OpenCV 自带的 applyColorMap，这个手写版本的好处是无依赖、随时随地能塞进自己的 PCL 工程，而且分段逻辑容易按业务改——比如想强调中间层，只需要把 0.25 和 0.75 两个断点改成 0.1 和 0.9。

实际使用建议：如果不需要保存结果，只是看一眼，就用PointCloudColorHandlerGenericField在可视化层上直接指定字段"z"，这样不用真的改变点数据。只有当你需要把带颜色的点云输出成 PCD 或 PLY 供其他模块复用时，才用上面的函数真正写入颜色字段。

2.3 高度上色的细节与经验

给高度上色时最常遇到的三个问题我列一下。第一，点云密度不均匀会导致视觉上颜色的“块状感”，这是正常现象，不代表上色失败。第二，同一个场景如果分多次按各自 min max 映射，色带范围会不一致，多块点云放在一起看时会出现“同一高度不同颜色”的错觉——专有做法是先整体统计全场景范围，再做全局映射。第三，自动取 z 的百分位比直接取 min max 更稳，比如只取 1% 到 99% 的范围，可以自动把孤立飞点排除在外。

3. 强度信息与伪彩色映射：让标量数据可视化

3.1 强度字段的意义：从点云中提取非几何属性

激光雷达采集的点云除了坐标还带有回波强度，也就是intensity字段。它反映目标表面对激光的反射能力，金属、墙面、植被、路面在强度值上差异明显。深度相机或三维扫描仪也可能输出灰度值或置信度。这类标量字段没有天然的颜色表达，所以需要把数值映射成可见颜色。

处理强度上色最稳妥的思路是：先用PointXYZI把点云读进来，统计强度最小值最大值，然后逐点把强度归一化到 [0, 1]，最后映射成灰度或者彩色。灰度最简单，计算强度值时直接用t * 255赋给 r/g/b 三个通道即可，适合把点云当成黑白照片看；伪彩色则适合突出对比度。

3.2 灰度与热力图两种映射方式

灰度映射的代码：

pcl::PointCloud<pcl::PointXYZI>::Ptr in_cloud(new pcl::PointCloud<pcl::PointXYZI>); pcl::PointCloud<pcl::PointXYZRGB>::Ptr out_cloud(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*in_cloud, *out_cloud); float min_i = 1e9f, max_i = -1e9f; for (const auto& p : in_cloud->points) { if (std::isfinite(p.intensity)) { min_i = std::min(min_i, p.intensity); max_i = std::max(max_i, p.intensity); } } float range_i = max_i - min_i; if (range_i < 1e-6f) range_i = 1.0f; for (size_t i = 0; i < out_cloud->size(); ++i) { float v = in_cloud->points[i].intensity; if (!std::isfinite(v)) { out_cloud->points[i].r = 255; out_cloud->points[i].g = 0; out_cloud->points[i].b = 0; continue; } uint8_t gray = static_cast<uint8_t>(((v - min_i) / range_i) * 255.0f); out_cloud->points[i].r = gray; out_cloud->points[i].g = gray; out_cloud->points[i].b = gray; }

如果要伪彩色，把赋灰度那段换成第二章里的 Jet 色带函数即可。我自己的习惯是：灰度上色适合“看轮廓”，因为人的视觉对黑白明暗变化非常敏感；伪彩色上色适合“看数值分布”，比如强度异常高的反光点会在色带上直接呈现出红色尖刺，方便快速定位异常。

3.3 强度上色时容易忽略的坑

强度数据经常含有异常值，比如某些传感器会给到负强度，或者某些点的 intensity 标定为 0。如果直接拿 min max 做映射，负值会全部被压成黑色。我更推荐对强度值做一次截断：取 1% 到 99% 分位数左右的范围，超出部分统一设为端点颜色。这样既保留了绝大多数有效信息，又不会让一两个极端点毁掉整个色带的区分度。

另外要注意一点，PCL 里PointXYZI转成PointXYZRGB时，copyPointCloud不会自动把 intensity 复制到颜色里。有些教程里的实现只转了类型没转强度，实际出来的是一个全黑色点云。只要记得手动循环填充，这个坑就可以避开。

4. 基于法线和曲率上色：直观感知表面形态

4.1 法线分量映射：把朝向变成颜色

法线是点云几何分析里最常见的中间结果。pcl::NormalEstimation 算出来的法线有三个分量 nx、ny、nz，再加上一个曲率 curvature。给法线上色最简单的方式是取 nz 分量，因为 nz 能表达表面朝向的相对取向：地面点云的法线 nz 接近 1，垂直墙壁的法线 nz 接近 0，天花板的法线 nz 接近 -1。

我常用的做法是把 nz 从 [-1, 1] 映射到 [0, 255] 的灰度或伪彩色，这样整个场景里地面、墙壁、天花板会呈现明显不同的颜色。如果要更丰富的视觉效果，也可以把 nx、ny、nz 分别映射到 R、G、B 三个通道，这样每个点云的朝向变化都会带来连续的颜色变化。

// 假设 normals 是 pcl::PointCloud<pcl::Normal>::Ptr，点数和 xyz 一致 for (size_t i = 0; i < cloud_rgb->size(); ++i) { float nz = normals->points[i].normal_z; if (!std::isfinite(nz)) nz = 0.0f; float t = (nz + 1.0f) * 0.5f; // [-1, 1] -> [0, 1] uint8_t v = static_cast<uint8_t>(t * 255.0f); cloud_rgb->points[i].r = v; cloud_rgb->points[i].g = v; cloud_rgb->points[i].b = static_cast<uint8_t>((1.0f - t) * 255.0f); }

这段代码的效果是：朝向正上方的表面发亮白，朝向正下方的表面发蓝。注意 NormalEstimation 计算前最好对点云做一下体素滤波或者最近邻搜索半径设置合理，否则法线噪声会把颜色搞得一团糟。我建议setRadiusSearch取点云平均间距的 3 到 5 倍，太小噪声大，太大表面细节会被磨平。

4.2 曲率上色：让边界和细节凸显出来

曲率是法线估计时顺带得到的曲面弯曲程度指标，数值越大说明该点附近几何变化越剧烈。点云里物体边缘、孔洞边界、台阶拐角处的曲率通常明显高于平整表面。曲率上色的关键不是用什么颜色，而是怎么处理数值动态范围——曲率值往往集中在非常小的区间，比如 0.001 到 0.01，直接线性映射会让几乎整个点云都呈现同一种颜色。

我的处理套路是先取曲率的对数或者开根号。取对数会把分布拉开，但需要注意曲率等于 0 时对数无定义，要对非正数做保护。更省事的方法是直接用分位点：把曲率从小到大排序，取第 90 百分位作为映射上界，超过上界的点全部视为极端高曲率。这样可视化时，平整区域呈现冷色，边缘与角点呈现亮色，视觉效果非常清楚。

float max_c = 0.01f; // 实际使用建议用分位数 for (size_t i = 0; i < cloud_rgb->size(); ++i) { float c = normals->points[i].curvature; float t = std::min(1.0f, c / max_c); cloud_rgb->points[i].r = static_cast<uint8_t>(t * 255.0f); cloud_rgb->points[i].g = 0; cloud_rgb->points[i].b = static_cast<uint8_t>((1.0f - t) * 255.0f); }

5. 按索引、标签与分割结果上色：把语义画出来

5.1 按固定索引批量上色：给选区做标记

有时候你并不想按几何量映射颜色，而是想给某个范围内的点打上固定的标记色。比如标定板区域、兴趣区域、或者移动机器人导航时的高危区域，都可以通过索引集合统一染色。实现非常简单：

void paintIndexRegion(pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud, const std::vector<int>& indices, uint8_t r, uint8_t g, uint8_t b) { for (int idx : indices) { cloud->points[idx].r = r; cloud->points[idx].g = g; cloud->points[idx].b = b; } }

这种方式特别适合做区域对比：把同一帧点云的不同区域分别染成红、绿、蓝三种颜色，一个可视化窗口就能直观比较不同区域的空间关系。很多人喜欢把 SearchRadius 内的邻域点染色显示，也是用这个思路。

5.2 分割结果上色：给每个聚类一个颜色

点云分割算法（比如欧几里得聚类、区域生长、 RANSAC 平面分割）输出的通常是一组pcl::PointIndices，每个聚类包含若干点索引。处理这类结果时，需要根据聚类序号生成颜色表，再按索引批量染色。

std::vector<pcl::PointIndices> clusters; // 假设已经计算出来 std::vector<std::tuple<uint8_t, uint8_t, uint8_t>> palette; // 生成离散色盘：尽量让相邻颜色差异大一点 float golden = 0.6180339887f; for (size_t k = 0; k < clusters.size(); ++k) { uint8_t r = static_cast<uint8_t>(255.0f * (0.5f + 0.5f * std::sin(2.0f * M_PI * golden * k))); uint8_t g = static_cast<uint8_t>(255.0f * (0.5f + 0.5f * std::sin(2.0f * M_PI * golden * k + 2.0f))); uint8_t b = static_cast<uint8_t>(255.0f * (0.5f + 0.5f * std::sin(2.0f * M_PI * golden * k + 4.0f))); palette.emplace_back(r, g, b); } pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*xyz_cloud, *colored); for (size_t k = 0; k < clusters.size(); ++k) { auto [r, g, b] = palette[k % palette.size()]; for (int idx : clusters[k].indices) { colored->points[idx].r = r; colored->points[idx].g = g; colored->points[idx].b = b; } }

这样做的价值在于，算法输出的离散编号本身没有颜色含义，但可视化时同一聚类的点颜色相同，不同聚类颜色尽量不同，一眼就能看出分割结果是否合理。我在调试区域生长分割时就是这样上色的：地面被识别成一整块，桌面上的纸盒每个都是独立颜色，边缘粘连点在颜色上会表现出“两个色块接壤”的现象，问题一目了然。

使用这种离散色盘时，如果聚类数量小于 20，直接用固定调色板（红、绿、蓝、黄、青、紫等）更稳；如果聚类数量多到上百个，上面的黄金角取模生成方式能保证相近序号的聚类颜色差异也较大，比手写色板好使。

6. 上色的避坑宝典：从显示到保存的完整排查思路

6.1 可视化层上色 vs 数据层上色

我在 PCL 里给点云上色时，会先把“改数据”和“改显示”两件事分清楚。改数据是真正写入PointXYZRGB的 r/g/b 字段，PCD 文件保存后颜色跟着走；改显示则是用pcl::visualization::PointCloudColorHandler系列在渲染层临时指定颜色，不改原始点云。

pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("color demo")); // 方式一：按已有字段渐变显示，比如 z 或 intensity pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> field_color(cloud, "z"); viewer->addPointCloud<pcl::PointXYZ>(cloud, field_color, "cloud_field"); // 方式二：统一指定颜色，注意 ColorHandler 的类型是 uint8_t 颜色分量 pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> custom_color(cloud, 0, 255, 0); viewer->addPointCloud<pcl::PointXYZ>(cloud, custom_color, "cloud_custom"); // 方式三：直接用点云已有的 rgb 字段 pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> rgb_color(cloud_rgb); viewer->addPointCloud<pcl::PointXYZRGB>(cloud_rgb, rgb_color, "cloud_rgb");

如果你只是想在调试时看一眼效果，用PointCloudColorHandlerGenericField零成本解决；如果你需要把带颜色的点云交给下游模块使用，就一定要改数据层并保存为带 rgb 字段的点类型。二者混着用经常导致“我明明加了颜色，怎么保存出来是黑的”这种疑问——实际上就是改在了不同的层。

6.2 高频问题排查速查表

6.3 一份可复用的完整示例：从读取、上色到保存

把前面几个方法串起来，最典型的使用场景如下：读取一个只有 XYZI 的点云，按高度映射为 Jet 色，保存为带颜色的 PCD 文件，再用可视化窗口显示。

#include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/visualization/pcl_visualizer.h> pcl::PointCloud<pcl::PointXYZI>::Ptr raw(new pcl::PointCloud<pcl::PointXYZI>); pcl::io::loadPCDFile<pcl::PointXYZI>("input.pcd", *raw); float min_z = 0.0f, max_z = 3.0f; // 根据场景实际调整 pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored(new pcl::PointCloud<pcl::PointXYZRGB>); pcl::copyPointCloud(*raw, *colored); // 此处省略 Z 到 Jet 色带的具体赋值循环，参考第 2.2 节 pcl::io::savePCDFileBinary("output_color.pcd", *colored); pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("viewer")); pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> rgb(colored); viewer->addPointCloud<pcl::PointXYZRGB>(colored, rgb, "colored_cloud"); while (!viewer->wasStopped()) { viewer->spinOnce(100); }

这个模板覆盖了大多数开发场景。你只需要替换中间“上色循环”的逻辑，就能复用高度、强度、法线、分割等任意一类上色需求。我自己维护了一个小的color_utils.hpp，里面放了 Jet 映射、灰度映射、离散色盘生成、按索引染色这几个函数，每次新项目直接 include，省掉大量重复代码。

最后再分享一个个人习惯。遇到要调试的效果，我从来不等全量点云跑完才开始排查，而是先裁剪一个小区域或者降采样到几千个点，快速跑一遍上色流程，确认颜色规律符合预期再铺到全量数据上。不是怕计算量大，而是小样本点云的可视化反馈快，定位问题比全量数据快一个数量级。颜色映射这件事，本质上就是把数值直觉变成视觉直觉，工具趁手了，点云自己就会开口说话。