📚 课程目录第3章点云预处理

3. 点云预处理

点云预处理，说白了就是给原始点云「洗个澡」。你想想看，不管是激光雷达扫出来的，还是深度相机拍出来的，原始数据里总带着一堆乱七八糟的东西——噪声点、离群点、还有那些根本不需要的背景点。我刚开始做无序分拣那会儿，就吃过这个亏：直接把原始点云丢给分割算法，结果程序跑了一分钟，最后抓了个寂寞。

所以这一章，咱们就把预处理这四板斧练熟。嗯，一个一个来。

3.1 体素滤波降采样

体素滤波，也叫Voxel Grid Filter。它的思路特别简单：把空间切成一个个小立方体（体素），每个立方体里只保留一个点。这个点通常是体素内所有点的重心，或者直接取中心点。

为什么要降采样？我遇到过一台老旧的工控机，处理10万点的点云还能凑合，但一旦上了50万点，帧率直接掉到2帧。体素滤波一上，点云缩到1万点，算法跑得飞起，精度还没怎么掉。

  核心参数：体素大小（leaf size）。设得越小，保留的点越多；设得越大，点云越稀疏。一般无序分拣场景，我习惯设 0.01m ~ 0.02m。

// C++ PCL 示例
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud);
vg.setLeafSize(0.01f, 0.01f, 0.01f);
vg.filter(*cloud_filtered);

我的小技巧：体素大小不要一刀切。如果抓取目标是小零件（比如螺丝、螺母），体素设 0.005m；如果是大件（比如快递包裹），0.02m 起步。

3.2 统计滤波去噪

统计滤波，英文叫Statistical Outlier Removal，简称SOR。它的逻辑是：每个点周围都有邻居，如果某个点离邻居太远，那它大概率是个噪声点。

具体做法是：对每个点，计算它到所有邻居的平均距离。如果这个平均距离超出了全局均值加几倍标准差的范围，就把它干掉。

我曾经在一个仓库项目里，点云里总飘着几个「幽灵点」——离主物体老远，孤零零的。一开始以为是传感器坏了，后来发现是反光表面造成的。统计滤波一过，干干净净。

参数	含义	我常用的值
MeanK	邻居点数	50
StddevMulThresh	标准差倍数	1.0 ~ 2.0

// C++ PCL 示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_filtered);
sor.setMeanK(50);
sor.setStddevMulThresh(1.0);
sor.filter(*cloud_denoised);

注意：StddevMulThresh 设得太小（比如 0.5），会把正常点也误删；设得太大（比如 5.0），噪声点根本去不掉。我建议你先用 1.0 试跑，看效果再调。

3.3 直通滤波

直通滤波，PassThrough Filter，名字很直白——只让某个轴方向上的点通过。比如你只想要深度 0.5m 到 1.2m 之间的点，那就设一个范围，之外的统统砍掉。

这个滤波器在无序分拣里特别实用。你想啊，传送带上的工件只在某个高度范围内，背景的墙壁、地面、远处的架子，全都可以一刀切掉。我习惯先做直通滤波，再做降采样，这样计算量更小。

// C++ PCL 示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_denoised);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.5, 1.2);
pass.filter(*cloud_passed);

避坑指南：我曾经在一条产线上，直通滤波设了 x 轴范围，结果把工件的一部分切掉了。后来发现是工件摆放角度偏了，导致 x 坐标超出预期。所以，直通滤波的边界最好留 10%~20% 的余量。

3.4 点云法向量估计

法向量，就是点云表面每个点的朝向。它本身不是「滤波」，但它是后续分割、配准、抓取姿态估计的基础。没有法向量，你连物体是横着还是竖着都判断不了。

估计法向量的原理很简单：对每个点，找它的 k 个邻居，拟合一个平面，平面的法线就是该点的法向量。嗯，这里要注意：法向量的方向是二义性的，需要做定向处理。

我记得第一次做法向量估计时，没注意邻居数 k 的选择。k 设得太小，法向量全是噪声；k 设得太大，边缘细节全被磨平了。后来总结出一套经验：

场景	推荐 k 值	说明
高密度点云（>100点/cm²）	10 ~ 20	细节保留好
中等密度点云	20 ~ 50	平衡精度与平滑
稀疏点云（<10点/cm²）	50 ~ 100	防止法向量不稳定

// C++ PCL 示例
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud_passed);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
ne.setSearchMethod(tree);
ne.setKSearch(20);
ne.compute(*cloud_normals);

  关键点：法向量估计前，一定要确保点云已经做过降采样和去噪。否则，噪声点的法向量会带偏周围一片。

3.5 本章知识体系

下面这张图，把四种预处理方法的流程和关系画清楚了。你可以把它当作一个检查清单：拿到原始点云后，按这个顺序走一遍，基本不会漏。