4. 点云预处理：点云滤波与离群点移除实战

点云数据进来之后，第一件事不是急着做匹配或者建图。我见过不少新手，拿到激光雷达数据就直接扔给后端，结果地图里全是飞点、噪点，路径规划根本没法用。说白了，原始点云就是一堆带噪声的坐标点，你不把它洗干净，后面每一步都会出问题。

这一章，我们就来聊聊点云预处理中最核心的三个滤波操作：直通滤波、体素滤波、统计滤波，以及离群点移除的实战方法。我会结合自己踩过的坑，把每个滤波的原理、参数调优、代码实现都讲透。

核心观点：点云预处理不是可选项，而是必选项。一个干净的点云，能让后续的配准、建图、路径规划效率提升 50% 以上。

4.1 直通滤波：快速裁剪无效区域

直通滤波是所有滤波里最直观的。它的逻辑很简单：设定一个坐标轴范围，只保留落在范围内的点，范围外的全部扔掉。

举个例子。你装了一颗 32 线激光雷达在车顶，水平视野 360°，垂直视野 40°。但你的机器人只在 10 米范围内活动，那 50 米外的点对你来说就是噪声。用直通滤波，把 x、y、z 三个方向的范围一设，远处的点就全过滤掉了。

我个人习惯在预处理的第一步就做直通滤波。为什么？因为数据量能瞬间降下来。一颗 32 线雷达每秒产生几十万个点，你先把 20 米外的点砍掉，后面体素滤波和统计滤波的计算量就小多了。

实战技巧：直通滤波的阈值不要设得太紧。比如你的机器人最大运动范围是 10 米，我建议设到 12 米，留一点余量。太紧的话，边缘区域的有效点也可能被误删。

来看一段 PCL 的代码实现：

// 直通滤波示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_input);
pass.setFilterFieldName("z");        // 沿 Z 轴滤波
pass.setFilterLimits(0.0, 2.0);      // 保留 0~2 米范围
// pass.setFilterLimitsNegative(true); // 如果设为 true，则保留范围外的点
pass.filter(*cloud_filtered);

这里有个坑。我记得有一次做室外项目，地面有点坡度，我按平地设了 z 轴范围 0~1.5 米，结果坡上的点全被滤掉了，导致建图出现空洞。后来我改成先做一次平面拟合，再根据拟合结果动态调整 z 轴范围，问题才解决。

4.2 体素滤波：降采样不减特征

体素滤波，说白了就是把空间切成一个个小立方体（体素），每个体素里只保留一个代表点。这个代表点通常是体素内所有点的重心，或者离重心最近的点。

你想想看，一个 10 米×10 米的区域，如果体素大小设为 0.1 米，那就有 100×100×100 = 100 万个格子。但实际点云密度远没这么高，体素滤波能帮你把冗余的点压缩掉，同时保持物体的几何形状。

体素大小怎么选？我一般遵循这个原则：

应用场景	推荐体素大小	说明
室内小场景（10m 以内）	0.05 ~ 0.1 m	保留细节，适合建图
室外中等场景（50m 以内）	0.1 ~ 0.2 m	平衡精度与效率
大场景（100m 以上）	0.2 ~ 0.5 m	快速降采样，用于导航

代码实现也很直接：

// 体素滤波降采样
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_filtered);
voxel.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素边长 0.1 米
voxel.filter(*cloud_downsampled);

注意：体素滤波会改变点的精确位置。如果你做的是高精度建图，体素大小不要超过 0.05 米，否则墙角的棱角会被磨平。我曾在一次高精度定位项目中吃过这个亏，后来改成了 0.03 米才满足要求。

4.3 统计滤波：揪出离群点

统计滤波的原理很有意思。它假设每个点的邻域内，点到邻域中心的距离服从高斯分布。如果一个点离它的邻居们太远，那它大概率是个离群点。

具体做法是：对每个点，计算它到 k 个最近邻的平均距离。然后算所有平均距离的均值和标准差。如果某个点的平均距离大于「均值 + 标准差 × 倍数」，就把它标记为离群点并移除。

这里有两个参数需要调：

k（邻域点数）：一般取 10~50。点云越密，k 可以越大。
std_dev（标准差倍数）：一般取 1.0~3.0。倍数越小，过滤越狠。

我曾经在一个果园项目里被这个参数坑过。果园里有很多细枝和树叶，点云本来就稀疏，我设了 std_dev=1.0，结果把很多树枝上的有效点也当成离群点删掉了。后来我把 std_dev 调到 2.5，才保住了那些稀疏但有用的点。

代码实现：

// 统计滤波移除离群点
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_downsampled);
sor.setMeanK(20);          // 邻域点数
sor.setStddevMulThresh(2.0); // 标准差倍数
sor.filter(*cloud_clean);

经验之谈：统计滤波对稀疏点云效果一般。如果你的点云本身就很稀疏（比如 16 线雷达远距离数据），建议先用体素滤波把点云密度提上来，再做统计滤波。或者改用半径滤波（RadiusOutlierRemoval），效果更稳定。

4.4 三种滤波的串联实战

在实际项目中，我很少只用一种滤波。通常的流程是：

直通滤波：先砍掉远距离和无效区域，减少数据量。
体素滤波：降采样，保持形状特征，进一步压缩数据。
统计滤波：最后清理离群噪点，得到干净点云。

这个顺序是有讲究的。直通滤波先做，能减少后续滤波的计算量。体素滤波在中间，能把点云密度拉均匀，让统计滤波的邻域统计更准确。统计滤波放最后，因为它的计算量最大，而且对点云密度敏感。

来看一个完整的串联代码：

// 完整预处理流程
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_temp(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_clean(new pcl::PointCloud<pcl::PointXYZ>);

// 1. 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.0, 3.0);
pass.filter(*cloud_temp);

// 2. 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_temp);
voxel.setLeafSize(0.1f, 0.1f, 0.1f);
voxel.filter(*cloud_temp);

// 3. 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_temp);
sor.setMeanK(20);
sor.setStddevMulThresh(2.0);
sor.filter(*cloud_clean);

调参建议：不要一次性把所有参数都调好。我习惯先调直通滤波，看效果；再加体素滤波，看降采样后的点云形状是否完整；最后调统计滤波，看离群点是否被清除。每一步都可视化检查，避免参数叠加后出现意外。

4.5 离群点移除的进阶技巧

除了统计滤波，PCL 还提供了几种离群点移除方法。我简单列一下它们的区别：

方法	原理	适用场景
StatisticalOutlierRemoval	基于邻域距离的统计分布	均匀密度点云，通用场景
RadiusOutlierRemoval	半径内点数少于阈值则移除	稀疏点云，远距离数据
ConditionalRemoval	自定义条件（如强度、高度）	需要按属性过滤的场景

我个人在室外项目中更喜欢用 RadiusOutlierRemoval。因为室外点云密度变化大，统计滤波的假设（高斯分布）不一定成立。半径滤波更直接：你设一个半径，半径内点数不够就删掉。简单粗暴，但有效。

代码示例：

// 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> rad;
rad.setInputCloud(cloud_temp);
rad.setRadiusSearch(0.2);    // 搜索半径 0.2 米
rad.setMinNeighborsInRadius(5); // 至少 5 个邻居
rad.filter(*cloud_clean);

避坑提醒：半径滤波的半径不能设得太小。如果半径小于点云的平均点间距，那所有点都会被当成离群点删掉。我一般先算一下点云的平均密度，再设半径。比如平均点间距 0.05 米，半径就设 0.15~0.2 米，留 3~4 倍余量。

好了，点云预处理这块就聊到这儿。直通滤波、体素滤波、统计滤波，这三种方法基本能覆盖 90% 的日常需求。记住一个原则：先粗后细，先快后慢。先把数据量降下来，再做精细滤波。这样既保证了效率，又保证了质量。

📚 课程目录

4. 点云预处理：点云滤波与离群点移除实战

4.1 直通滤波：快速裁剪无效区域

4.2 体素滤波：降采样不减特征

4.3 统计滤波：揪出离群点

4.4 三种滤波的串联实战

4.5 离群点移除的进阶技巧