第一章：点云滤波概述
大家好，我是你们这趟点云处理之旅的向导。今天咱们聊聊最基础、也最容易被忽视的话题——点云滤波。
说实话，我刚入行那会儿，觉得滤波不就是去掉几个噪点嘛，有啥好讲的？直到我在一个室外SLAM项目里，被一阵风吹来的落叶搞得定位漂移了好几米……嗯，从那以后，我再也不敢小看滤波了。
1.1 什么是点云滤波？
点云滤波，说白了就是对原始点云数据做“提纯”。你想想看，激光雷达扫出来的点云，就像一张满是杂音的录音带——有噪声点、有离群点、有冗余点。滤波就是把这些“杂音”去掉，留下干净、有用的信号。
我个人习惯把滤波分成三类：
- 去噪滤波：干掉那些明显不合理的点（比如飘在空中的孤立点）
- 下采样滤波：减少点的数量，让计算更快（体素滤波就是典型）
- 条件滤波：只保留满足特定条件的点（比如只保留地面以上的点）
举个例子，你拿一个16线激光雷达扫室内场景，一帧可能有3万个点。但其中可能有几百个点是因为玻璃反射产生的“鬼影点”。滤波的第一步，就是把这些鬼影揪出来扔掉。
核心观点：滤波不是“删数据”，而是“提质量”。好的滤波策略，能让后续的配准、建图、定位事半功倍。
1.2 为什么需要滤波？
这个问题，我当年面试时也被问过。我的回答是：因为现实世界太“脏”了。
激光雷达的工作原理决定了它天生带噪：
- 多路径反射（光线在物体间弹来弹去）
- 边缘效应（物体边缘的点位置不准）
- 运动畸变（扫描过程中传感器在动）
- 环境干扰（雨、雪、雾、灰尘）
我在做自动驾驶项目时遇到过这种情况：一辆白色货车在阳光下，激光雷达打上去，部分点直接“飞”到了车顶上方两米处。如果不滤波，这些点会让地面分割算法直接崩溃。
所以，滤波的必要性可以总结为三点：
- 提升精度：去掉噪声，让点云更接近真实几何
- 降低计算量：少处理一些点，算法跑得更快
- 增强鲁棒性：减少异常点对算法的干扰
我的经验：滤波参数别死记硬背。同样的参数，换个场景可能就不好使了。我习惯先看数据分布，再调参数——这叫“先诊断，后开药”。
1.3 滤波在SLAM/三维重建中的作用
这部分是重点。滤波在SLAM和三维重建里，不是“锦上添花”，而是“雪中送炭”。
在SLAM中的作用
SLAM的核心是“定位”和“建图”。滤波在这两个环节都扮演关键角色：
- 前端配准：ICP、NDT这些配准算法，对噪声非常敏感。一个离群点就能把旋转矩阵算偏。我见过有人调ICP调了一周，最后发现是没做滤波——去掉几个噪点后，收敛速度翻倍。
- 回环检测：回环检测依赖点云特征的匹配。滤波后的点云特征更稳定，误匹配率更低。
- 地图构建：建图时如果不滤波，地图里会充满“飞点”和“拖尾”，严重影响后续导航。
避坑指南：我曾经在SLAM系统里用了过于激进的滤波，把一些薄壁结构（比如树叶、栏杆）的点全滤掉了。结果回环检测时特征不够，定位直接崩了。记住：滤波不是越狠越好，要保留足够的结构信息。
在三维重建中的作用
三维重建对点云质量的要求更高。你想想看，重建一个雕塑，如果点云里有噪声，重建出来的表面就会坑坑洼洼。
滤波在重建中的典型应用：
- 表面平滑：用移动最小二乘（MLS）滤波，让点云表面更光滑
- 孔洞修复：通过滤波识别缺失区域，为后续补洞做准备
- 法线估计：滤波后的点云，法线方向更准确，重建质量更高
我记得有个文物数字化项目，原始点云因为扫描仪精度问题，表面全是“毛刺”。用了双边滤波后，毛刺没了，细节还在——那种感觉，就像给照片去了噪但没丢纹理。
1.4 本章知识体系
下面这张图，是我自己梳理的滤波知识框架。你可以把它当作整个课程的“地图”：
从这张图你能看到，滤波不是孤立的技术。它连接着目标、方法、应用、调优四个层面。后面的章节，我们会沿着这个框架一步步深入。
1.5 一个简单的滤波示例
光说不练假把式。这里给一个PCL的统计滤波代码片段，让你感受一下滤波到底在做什么：
// C++ PCL 统计滤波示例
#include <pcl/filters/statistical_outlier_removal.h>
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
// 假设 cloud 已经加载了数据
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 每个点考虑50个近邻
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
sor.filter(*cloud_filtered);
std::cout << "滤波前点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;这段代码的核心逻辑很简单：对每个点，计算它到最近50个邻居的平均距离。如果这个距离比全局平均距离大太多（超过1个标准差），就把它当作离群点删掉。
调参小技巧：setMeanK设得越大，滤波越“宽容”；setStddevMulThresh设得越小，滤波越“严格”。我一般先从MeanK=50、StddevMulThresh=1.0开始试，然后根据效果微调。
好了，第一章就到这里。滤波这件事，说难不难，说简单也不简单。关键是要理解它为什么有用、什么时候用、怎么用好。后面的章节，我们会逐一拆解每种滤波方法的原理和调参技巧。
可可精品资料库