4. 点云滤波加速

点云滤波，说白了就是给原始数据「去噪」和「降采样」。我做了这么多年激光雷达SLAM，发现很多新手一上来就堆滤波算法，结果CPU跑满了，效果却没见好多少。其实啊，滤波这件事，关键不在于你会多少种方法，而在于你知不知道什么时候该用哪种。

这一节，我重点讲三个最常用的滤波：体素滤波、统计滤波、半径滤波。前一个是降采样利器，后两个是去噪好手。咱们一个一个来拆。

4.1 体素滤波（Voxel Grid Filter）——降采样的首选

体素滤波的原理特别直观。你想象一下，把整个三维空间切成一个个小立方体，每个立方体就是一个「体素」。然后每个体素里，只保留一个点来代表里面所有的点。这个代表点，通常是体素内所有点的重心，或者直接取中心点。

我个人习惯用重心法，因为能保留更多原始点云的几何信息。不过如果你追求极致速度，取中心点也行，差别不大。

4.1.1 核心参数：体素大小

体素大小是唯一需要调的参数。它直接决定了输出点云的密度和计算量。

体素大小 效果 适用场景
0.01m 几乎不降采样，保留细节 近距离高精度建模
0.05m 适度降采样，保留主要结构 SLAM前端匹配
0.1m 大幅降采样，丢失细节 全局地图构建、可视化
0.5m以上 极度稀疏，仅保留轮廓 快速预览、粗匹配

我在项目中遇到过一个问题：体素设得太小，点云还是几十万个点，匹配速度上不去；设得太大，墙角、柱子这些特征直接没了，匹配精度暴跌。后来我总结了一个经验——体素大小取激光雷达角分辨率的2~3倍，基本不会翻车。

4.1.2 代码实现

PCL里实现体素滤波就几行代码，但有几个坑我得提醒你。

// C++ PCL 实现
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud_in);
voxel_filter.setLeafSize(0.05f, 0.05f, 0.05f);  // 体素大小
voxel_filter.filter(*cloud_out);

// 注意：如果你用PointXYZRGB，记得保留颜色信息
pcl::VoxelGrid<pcl::PointXYZRGB> voxel_filter_rgb;
voxel_filter_rgb.setInputCloud(cloud_in_rgb);
voxel_filter_rgb.setLeafSize(0.05f, 0.05f, 0.05f);
voxel_filter_rgb.filter(*cloud_out_rgb);
⚠️ 注意：体素滤波默认会打乱点的顺序。如果你后续要做基于索引的操作（比如点云配准中的对应点查找），记得先保存原始索引映射关系。我曾经因为这个坑，debug了整整一个下午。

4.1.3 参数调优实战建议

  • 先粗后细：先用0.1m跑一遍看效果，再逐步调小到0.05m、0.03m。
  • 关注特征区域：墙角、边缘这些地方，体素滤波容易把特征点滤掉。如果你发现匹配精度下降，试着在特征区域用更小的体素。
  • 性能与精度的平衡：对于实时SLAM，我建议体素大小不低于0.03m。低于这个值，点云数量还是太大，CPU扛不住。

4.2 统计滤波（Statistical Outlier Removal）——去噪的稳健选择

统计滤波的原理也很简单。它假设：一个点的邻居距离如果明显偏离平均值，那这个点就是离群点。具体做法是：对每个点，计算它到所有邻居的平均距离，然后看这个平均距离是否符合高斯分布。如果偏离超过一个标准差倍数，就干掉它。

说白了，就是「不合群的点，删掉」。

4.2.1 两个关键参数

  • 邻居数量（k）：计算平均距离时考虑多少个近邻。一般取20~50。
  • 标准差倍数（std_dev）：阈值。越大越宽松，越小越严格。一般取1.0~3.0。

我记得有一次做室外SLAM，点云里全是树叶和飞鸟造成的噪点。统计滤波设k=30、std_dev=2.0，效果特别好。但换到室内场景，同样的参数把墙上的纹理点都删了，匹配直接崩了。所以啊，参数一定要根据场景调。

4.2.2 代码示例

// PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_in);
sor.setMeanK(30);          // 邻居数量
sor.setStddevMulThresh(2.0); // 标准差倍数
sor.filter(*cloud_out);
💡 小技巧：如果你不确定参数怎么设，可以先跑一遍统计滤波，把被删除的点可视化出来看看。如果删掉的都是明显的飞点，说明参数合理；如果删掉了墙面上的点，说明阈值太严了。

4.3 半径滤波（Radius Outlier Removal）——简单粗暴的去噪法

半径滤波更直接：在某个半径范围内，如果点的数量少于某个阈值，就认为它是离群点。你想想看，一个点周围如果连几个邻居都没有，那它大概率是噪点。

4.3.1 参数设置

  • 搜索半径（radius）：多大范围内找邻居。一般取0.05~0.2m。
  • 最少邻居数（min_pts）：半径内至少要有几个点。一般取3~10。

4.3.2 代码示例

// PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud_in);
ror.setRadiusSearch(0.1);   // 搜索半径 0.1m
ror.setMinNeighborsInRadius(5); // 至少5个邻居
ror.filter(*cloud_out);

4.4 统计滤波 vs 半径滤波：工程取舍

这两个滤波都能去噪，但各有优劣。我直接给你一个对比表，方便你选型。

对比维度 统计滤波 半径滤波
原理 基于距离统计分布 基于固定半径内点数
参数数量 2个（k, std_dev） 2个（radius, min_pts）
对密度变化的适应性 较好（自适应阈值） 较差（固定半径）
计算速度 较慢（需计算统计量） 较快（仅计数）
适用场景 点云密度均匀的场景 点云密度变化大的场景
典型参数 k=30, std_dev=2.0 radius=0.1, min_pts=5

我个人在实际项目中的选择原则是这样的：

  • 点云密度比较均匀（比如室内、结构化环境）→ 用统计滤波，效果好，参数好调。
  • 点云密度变化大（比如室外、远近距离差异大）→ 用半径滤波，因为统计滤波会把远处稀疏的点也当成离群点删掉。
  • 追求极致速度（比如嵌入式平台）→ 用半径滤波，计算量小很多。
🔑 核心结论：体素滤波负责降采样，统计滤波和半径滤波负责去噪。三者组合使用时，建议先降采样再去噪，这样去噪的计算量会小很多。我一般用「体素滤波 → 半径滤波」这个组合，效果和性能都比较均衡。

4.5 本章知识体系

下面这张图帮你理清三个滤波的关系和选择逻辑。

点云滤波加速：三大滤波选择逻辑 原始点云 降采样？ 是 体素滤波 否（去噪） 密度均匀？ 是 统计滤波 否 半径滤波 建议流程：先降采样（体素滤波）→ 再去噪（统计/半径滤波）

嗯，这一节的内容就到这儿。滤波这件事，说白了就是「取舍」——你要速度就得牺牲点精度，要精度就得接受慢一点。关键是找到那个平衡点。我给你的建议是：多试几组参数，把效果可视化出来看看，比看任何理论都管用。

📌 一句话总结：体素滤波降采样，统计滤波去均匀噪点，半径滤波去稀疏噪点。三者配合，点云处理又快又干净。

可可精品资料库

← 上一章 📖 返回目录 下一章 →