点云滤波入门：滤波的意义、体素滤波、直通滤波、统计滤波
大家好，我是你们这趟点云之旅的向导。今天咱们聊聊点云处理里最基础、也最绕不开的一步——滤波。
你想想看，激光雷达扫出来的原始点云，那叫一个“脏”。噪点、离群点、冗余点，啥都有。我刚开始做感知的时候，拿到一帧64线激光雷达的数据，几百万个点直接往算法里灌，结果程序直接卡死。嗯，从那以后我就明白了——滤波不是可选项，是必选项。
滤波的核心目标就三个：
- 降采样：减少点数，提升计算效率
- 去噪：剔除无效噪点，提升数据质量
- 提取ROI：只保留感兴趣区域，减少干扰
说白了，滤波就是给点云“洗澡”。洗掉脏东西，留下干净有用的部分。今天咱们重点聊三种最常用的滤波方法：体素滤波、直通滤波、统计滤波。
一、体素滤波（Voxel Grid）—— 点云的“像素化”
体素滤波，我个人觉得是点云降采样里最优雅的方法。它的思路很简单：把三维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。
你可以把它想象成把一张高清照片缩小成马赛克图。每个马赛克块里，只取一个颜色值。体素滤波也是这个道理。
我的经验之谈：体素大小怎么选？我一般从0.1m开始试。对于64线激光雷达，0.1m体素能把几十万点降到一两万点，同时保留足够的环境细节。如果场景简单，0.2m也行。但别超过0.5m，否则远处的行人可能就“消失”了。
来看代码实现，我用的是PCL库，这是工业界最常用的点云库：
#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
// 设置体素边长，单位：米
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*filtered_cloud);
std::cout << "原始点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << filtered_cloud->size() << std::endl;你看，核心就三行代码。但这里有个坑——体素滤波会改变点的精确位置。每个体素里的代表点，通常是体素内所有点的重心。这意味着你丢失了原始点的精确坐标。
注意：如果你的下游任务对点云精度要求极高（比如高精地图构建），体素滤波要慎用。我曾在做车道线检测时吃过这个亏——体素滤波后，车道线边缘变得模糊，检测精度直接掉了5个点。
二、直通滤波（PassThrough）—— 简单粗暴的“切蛋糕”
直通滤波，说白了就是按坐标轴切一刀。你指定一个范围，在这个范围之外的点，全部扔掉。
举个例子。自动驾驶场景里，我们只关心前方50米内的障碍物。那就可以用直通滤波，把X轴（车辆前进方向）上大于50米的点全部滤掉。
我习惯在预处理的第一步就用直通滤波。为什么呢？因为原始点云里，远处的点又稀疏又噪，留着只会拖慢后续处理。先切一刀，数据量能减少30%-50%。
#include <pcl/filters/passthrough.h>
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
// 只保留Z轴（高度）在 -1.0 到 2.0 米之间的点
pass.setFilterFieldName("z");
pass.setFilterLimits(-1.0, 2.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*filtered_cloud);这里有个小技巧：可以串联多个直通滤波。比如先切X轴，再切Y轴，最后切Z轴，就能快速提取出一个长方体区域内的点云。我经常用这个方法来提取“车辆前方感兴趣区域”。
避坑指南：我曾经犯过一个低级错误——直通滤波的坐标轴搞反了。激光雷达的坐标系，X轴朝前，Y轴朝左，Z轴朝上。但不同厂家的雷达坐标系可能不同。拿到数据后，先可视化看一眼，确认坐标轴方向再动手。
三、统计滤波（StatisticalOutlierRemoval）—— 揪出“孤魂野鬼”
统计滤波，专门对付离群点。什么是离群点？就是那些周围没几个邻居的“孤魂野鬼”。
它的原理很直观：对每个点，计算它到最近K个邻居的平均距离。如果这个平均距离太大，就认为它是离群点，扔掉。
为什么会这样？因为正常点云（比如地面、墙面）的点分布密集，每个点周围都有不少邻居。而噪点（比如空气中的灰尘、传感器误检）往往是孤立的，周围没几个点。
#include <pcl/filters/statistical_outlier_removal.h>
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
// 邻居点数：每个点考虑最近的50个邻居
sor.setMeanK(50);
// 标准差倍数：超过均值+1.0倍标准差的点视为离群点
sor.setStddevMulThresh(1.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*filtered_cloud);两个参数怎么调？我一般这样试：
| 参数 | 作用 | 推荐值 | 调参方向 |
|---|---|---|---|
| MeanK | 邻居点数 | 20-100 | 点云越密，值越大 |
| StddevMulThresh | 标准差倍数 | 0.5-3.0 | 值越小，滤掉的点越多 |
注意：统计滤波不是万能的。如果离群点恰好聚在一起（比如远处的一小片树叶），统计滤波可能识别不出来。另外，参数调得太狠，会把边缘的物体（比如行人手臂）也当成离群点滤掉。我建议先保守一点，用1.5倍标准差，看看效果再微调。
三种滤波怎么选？
实际项目中，这三种滤波我通常会组合使用：
- 第一步：直通滤波——快速裁剪出感兴趣区域，减少数据量
- 第二步：统计滤波——剔除离群噪点，提升数据质量
- 第三步：体素滤波——降采样到合适密度，为后续处理做准备
这个流程我用了好几年，稳定可靠。当然，具体顺序可以灵活调整。比如如果你的场景噪点特别多，可以先把统计滤波提前。
好了，今天的内容就到这里。滤波是点云处理的“基本功”，看似简单，但调参和组合使用上有很多门道。希望今天的分享能帮你少走一些弯路。
可可精品资料库