3. 直通滤波 (PassThrough)

一、直通滤波到底在干什么？

直通滤波，名字听着挺唬人。说白了，就是一刀切。

你想象一下，你面前有一堆点云数据，里面既有近处的花花草草，也有远处的建筑物。你只想要距离你5米到10米之间的那部分数据。怎么办？

直通滤波就是干这个的。它沿着某个坐标轴（比如X轴、Y轴或Z轴），设定一个范围。在这个范围之内的点，留下；范围之外的，全部砍掉。

我个人习惯把直通滤波叫做「范围过滤器」。它不关心点的颜色、强度，只关心点的位置。简单、粗暴，但非常实用。

二、为什么需要直通滤波？

你可能会问：「直接处理全部点云不行吗？」

行，但效率太低。我举个例子。

有一次我在做道路检测项目，原始点云有上千万个点。里面包含了天空中的飞鸟、远处的山、还有地面上的车辆。如果直接对这些点做聚类或分割，计算量巨大，而且容易误判。

我只需要地面附近2米范围内的点。这时候，一个直通滤波，沿着Z轴一裁，数据量直接减少80%。后续处理速度飞起。

直通滤波的典型应用场景：

• 去除背景噪声： 比如去掉远处的点，只保留感兴趣区域。
• 提取特定高度层： 比如只保留地面以上的点，用于行人检测。
• 数据预处理： 在复杂算法之前，先快速缩小数据范围。

三、原理：其实就一个条件判断

直通滤波的原理，简单到令人发指。

对于点云中的每一个点，检查它在指定维度上的坐标值。如果这个值在设定的最小值和最大值之间，就保留；否则，丢弃。

用数学公式表达就是：

if min ≤ point.dimension ≤ max:
    保留该点
else:
    丢弃该点

嗯，就这么简单。但为什么它这么有效？因为很多场景下，我们关心的物体确实只存在于某个特定的空间范围内。

比如，自动驾驶中，激光雷达安装在车顶。它扫描到的点，Z轴（高度）方向，地面以下的部分肯定是噪声，车顶以上的部分可能是树枝或桥梁。我们只保留地面到车顶高度之间的点，这就是直通滤波的典型用法。

四、代码实现：手把手教你写

我用的是PCL（Point Cloud Library）的C++版本。当然，Python版本也有，但C++在工业界更常见。我个人推荐初学者先从C++入手，性能更好，理解更深。

4.1 核心代码片段

#include <pcl/filters/passthrough.h>

// 创建直通滤波对象
pcl::PassThrough<pcl::PointXYZ> pass;

// 设置输入点云
pass.setInputCloud(cloud);

// 设置滤波维度：这里选择Z轴
pass.setFilterFieldName("z");

// 设置范围：保留Z轴在0.5米到2.0米之间的点
pass.setFilterLimits(0.5, 2.0);

// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);

你看，核心代码就这几行。但有几个细节，我当年踩过坑，必须提醒你。

4.2 完整示例代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>

int main()
{
    // 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("input.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file input.pcd \n");
        return -1;
    }

    std::cout << "原始点云点数: " << cloud->points.size() << std::endl;

    // 创建直通滤波对象
    pcl::PassThrough<pcl::PointXYZ> pass;
    pass.setInputCloud(cloud);
    pass.setFilterFieldName("z");
    pass.setFilterLimits(0.5, 2.0);

    // 执行滤波
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*cloud_filtered);

    std::cout << "滤波后点云点数: " << cloud_filtered->points.size() << std::endl;

    // 保存结果
    pcl::io::savePCDFileASCII("output.pcd", *cloud_filtered);

    return 0;
}

五、参数调优：别让一刀切得太狠

直通滤波的参数很少，就两个：维度名称和范围。但调起来，还是有点门道的。

参数	说明	调优建议
setFilterFieldName	选择滤波的坐标轴	根据场景选择。地面场景常用Z轴，水平场景常用X或Y轴。
setFilterLimits(min, max)	设置保留范围	先观察点云分布，再设定范围。不要拍脑袋。
setFilterLimitsNegative	是否取反	默认false。设为true时，保留范围之外的点。

调优技巧：

• 先可视化，再调参： 我习惯先用PCL Visualizer或CloudCompare看一眼点云的分布。比如Z轴的范围是多少，然后根据实际需求设定。不要上来就设个0到100，那跟没滤波一样。
• 范围宁宽勿窄： 如果你不确定精确范围，先设宽一点。比如你想保留1米到2米，可以先设0.5到2.5。看看效果，再逐步缩小。太窄了会丢失有用数据。
• 多维度组合使用： 直通滤波可以串联使用。先沿Z轴滤波，再沿X轴滤波。我做过一个项目，先裁掉地面以下的点，再裁掉左右两侧的噪声，效果非常好。

六、实战案例：从道路点云中提取车辆

好了，理论讲完了，代码也写了。咱们来一个真实的案例。

场景： 你有一份道路点云数据，里面包含路面、路边的树木、以及几辆汽车。你的目标是提取出车辆的点云。

思路：

1. 第一步： 沿Z轴滤波。车辆的高度一般在0.5米到2.5米之间。路面和地面以下的点，直接去掉。
2. 第二步： 沿Y轴滤波（假设Y轴是道路的横向方向）。车辆在道路中间，左右两侧的树木和建筑物，去掉。
3. 第三步： 沿X轴滤波（假设X轴是道路的纵向方向）。只保留你感兴趣的路段。

代码实现：

// 第一步：Z轴滤波，提取车辆高度范围
pcl::PassThrough<pcl::PointXYZ> pass_z;
pass_z.setInputCloud(cloud);
pass_z.setFilterFieldName("z");
pass_z.setFilterLimits(0.5, 2.5);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_z(new pcl::PointCloud<pcl::PointXYZ>);
pass_z.filter(*cloud_z);

// 第二步：Y轴滤波，提取道路宽度范围
pcl::PassThrough<pcl::PointXYZ> pass_y;
pass_y.setInputCloud(cloud_z);
pass_y.setFilterFieldName("y");
pass_y.setFilterLimits(-3.0, 3.0);  // 假设道路宽6米
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_y(new pcl::PointCloud<pcl::PointXYZ>);
pass_y.filter(*cloud_y);

// 第三步：X轴滤波，提取感兴趣路段
pcl::PassThrough<pcl::PointXYZ> pass_x;
pass_x.setInputCloud(cloud_y);
pass_x.setFilterFieldName("x");
pass_x.setFilterLimits(10.0, 50.0);  // 提取10米到50米之间的路段
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass_x.filter(*cloud_filtered);

经过这三步滤波，原始点云从几百万个点，减少到几万个点。而且这些点基本就是车辆和少量残留噪声。后续再用聚类算法，就能轻松提取出每辆车。

七、知识体系与核心逻辑

为了让你更直观地理解直通滤波在整个点云处理流程中的位置，我画了一张图。

八、总结与避坑

直通滤波，说白了就是点云处理中的「入门级」滤波。但它非常实用，几乎每个项目都会用到。

最后，给你几个避坑建议：

• 不要过度依赖直通滤波： 它只能处理空间范围上的噪声。对于离群点、稀疏噪声，它无能为力。这时候需要配合统计滤波或半径滤波。
• 注意坐标系： 不同传感器，坐标系定义可能不同。有的激光雷达Z轴朝上，有的朝下。滤波前，先确认坐标系方向。
• 多维度滤波时注意顺序： 我一般先做Z轴滤波，因为Z轴方向的数据量通常最大，先裁掉可以大幅减少后续计算量。