3. 点云滤波与降噪：体素滤波、统计滤波、半径滤波

激光雷达扫出来的点云，说白了就是一堆带噪声的离散点。你想想看，传感器本身有测量误差，环境里还有飞溅的灰尘、飘落的树叶、甚至飞过的昆虫。这些乱七八糟的点如果不处理，后面的配准、分割、识别全都会跑偏。

我刚开始做点云处理时，就吃过这个亏。有一次在矿区做建图，点云里全是扬尘造成的悬浮点，结果地图建出来像一团棉花糖。嗯，从那以后我学乖了——滤波是点云处理的第一步，也是最关键的一步。

这一章我们聊三种最常用的滤波方法：体素滤波、统计滤波、半径滤波。它们解决的问题不同，适用场景也不同。我会把原理、参数调优、以及我踩过的坑都讲清楚。

3.1 体素滤波（Voxel Grid）

体素滤波的原理其实很简单。你把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——要么是体素内所有点的重心，要么是体素的中心点。

这样做的好处有两个：一是大幅降低点云密度，二是平滑掉局部噪声。我个人的习惯是，拿到一帧原始点云，第一件事就是做体素滤波。64线激光雷达一帧可能有十几万个点，体素滤波后降到一两万个，后面的处理速度能快一个数量级。

核心要点：

体素大小：这是唯一的关键参数。设大了点云变稀疏，细节丢失；设小了降采样效果不明显。一般从0.05m开始试，根据场景调整。
重心 vs 中心：取重心更精确，但计算量大一点；取中心速度快，但会引入微小偏移。我一般用重心。
适用场景：所有点云预处理的第一步，尤其适合大规模点云。

代码实现也很直接。PCL里已经封装好了，几行就能搞定：

// C++ PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素边长0.1米
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*filtered_cloud);

我的经验：体素大小不要设成固定值。室内场景0.05m够用，室外开阔场景0.2m也行。我一般在配置文件中做成可调参数，上线前用几帧数据扫一遍，选一个折中值。

3.2 统计滤波（Statistical Outlier Removal）

统计滤波的思路是：离群点周围的点很少，正常点周围的点很多。它计算每个点到它K个最近邻的平均距离，然后看这个距离是否符合整体分布。如果某个点的平均距离偏离均值太多（超过n倍标准差），就把它干掉。

为什么会这样？你想想看，一个正常的墙面点，周围密密麻麻全是点。但一个飞溅的噪声点，周围可能空荡荡的，离它最近的几个点都在老远的地方。统计滤波就是利用这个差异来识别噪声。

我记得有一次做高速公路的点云处理，路面上有大量轮胎带起来的碎石点。体素滤波去不掉这些点，因为它们本身是真实存在的物体。但统计滤波一跑，这些稀疏的碎石点全被识别出来了——因为它们周围的点密度远低于路面。

避坑指南：我曾经把标准差倍数设得太小（比如0.5），结果把墙角的点也误删了，导致建图出现空洞。后来我总结了一个经验：先设大一点（比如3.0），看效果再逐步调小。另外K值一般取20-50，太小了统计不稳定，太大了计算量暴涨。

参数对比表：

参数	推荐范围	偏小的影响	偏大的影响
K（近邻数）	20 - 50	统计不稳定，误删多	计算量大，边缘点被删
StdDevMul（标准差倍数）	1.0 - 3.0	保留噪声多	误删正常点

// C++ PCL 统计滤波示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(30);          // 每个点取30个近邻
sor.setStddevMulThresh(2.0); // 2倍标准差
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*filtered_cloud);

3.3 半径滤波（Radius Outlier Removal）

半径滤波的逻辑更直白：以每个点为中心画一个球，球里点数少于阈值就删掉。说白了就是「你周围朋友太少，说明你不合群，走你」。

它和统计滤波的区别在哪？统计滤波看的是距离分布，半径滤波看的是数量。统计滤波能识别出那些虽然周围有点但距离偏大的点，半径滤波只管「球里有没有足够多的点」。

我个人习惯在以下场景用半径滤波：

点云密度比较均匀的场景（比如室内）
需要保留边缘细节的时候（半径滤波对边缘的误删比统计滤波少）
快速过滤明显离群点（计算量比统计滤波小）

// C++ PCL 半径滤波示例
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.2);    // 搜索半径0.2米
ror.setMinNeighborsInRadius(5); // 至少5个邻点
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
ror.filter(*filtered_cloud);

实战技巧：半径滤波的参数和点云密度强相关。如果激光雷达是32线的，半径可以设大一点（0.3-0.5m）；如果是64线或128线，密度高，半径可以设小一点（0.1-0.2m）。我一般先统计一下点云的平均点间距，然后设半径为平均间距的3-5倍。

3.4 三种滤波的对比与选型

三种滤波各有各的脾气。我整理了一个对比表，方便你快速选型：

滤波方法	核心思想	主要用途	计算开销	参数敏感性
体素滤波	体素内降采样	降密度、去噪	低	中等（体素大小）
统计滤波	距离统计分布	去离群点	中	高（K和倍数）
半径滤波	邻域点数计数	去稀疏孤立点	低	中等（半径和阈值）

实际工程中，我很少只用一种滤波。典型的流水线是：

体素滤波打底：把点云密度降到可控范围，同时去掉体素内的微小噪声。
统计滤波或半径滤波精修：根据场景选一个。场景均匀用半径滤波，场景复杂用统计滤波。
可选：再做一次体素滤波：如果第二步引入了不均匀的密度，可以用小体素再平滑一次。

一句话总结：体素滤波管「量」和「噪」，统计滤波管「孤」，半径滤波管「稀」。三兄弟配合好，点云干净又利索。

嗯，这一章的内容就这些。三种滤波方法都不复杂，但参数调优需要经验。我建议你拿自己的数据跑一遍，看看不同参数下点云的变化。只有亲手调过参数，才能真正理解每个参数的意义。

📚 课程目录

3. 点云滤波与降噪：体素滤波、统计滤波、半径滤波

3.1 体素滤波（Voxel Grid）

3.2 统计滤波（Statistical Outlier Removal）

3.3 半径滤波（Radius Outlier Removal）

3.4 三种滤波的对比与选型