直通滤波（PassThrough）：原理与参数调优

直通滤波，说白了就是「一刀切」。

你设定一个范围，比如 x 轴从 0 到 5 米，那么在这个范围之外的点，全部砍掉。就这么简单粗暴。但你别小看它，我做过那么多点云项目，直通滤波几乎是每次预处理的第一步。为什么？因为激光雷达扫出来的数据，有一大半都是没用的背景。

原理：一维范围裁剪

直通滤波的核心逻辑其实就一句话：对指定维度，保留区间内的点，删除区间外的点。

你想想看，点云里的每个点都有 (x, y, z) 坐标。我们只需要指定一个轴，比如 z 轴，然后设一个下限和上限。所有 z 值小于下限或大于上限的点，直接扔掉。剩下的点，就是你要的。

嗯，这里要注意：直通滤波只对单个轴操作。如果你想同时过滤 x 和 y，那就得调两次。不过 PCL 里可以链式调用，写起来不麻烦。

  核心公式（其实不算公式）：

  保留条件：axis_min ≤ point.axis ≤ axis_max

  删除条件：point.axis < axis_min 或 point.axis > axis_max

参数调优：三个轴的范围怎么定？

我个人习惯，先看场景再设参数。比如你放了一个 Velodyne 在车顶，地面高度大概是 -1.5 米，车顶高度 2 米。那 z 轴范围就可以设成 -1.5 到 2.0。但如果你在室内，地面是 0，天花板是 3 米，那范围就变了。

调参没有万能公式，但有经验法则：

参数	说明	调优建议
filter_field_name	指定过滤轴（x/y/z）	根据目标物体分布选轴。去除地面用 z，去除左右墙壁用 x 或 y
filter_limit_min	下限值	先看直方图，取目标点云的最低值再留 0.1 米余量
filter_limit_max	上限值	同理，取最高值加 0.1 米余量
setFilterLimitsNegative	是否取反（保留区间外）	默认 false。设为 true 时，保留区间外的点，用于去除特定区域

我的小技巧： 先用可视化工具（比如 pcl_viewer）看一眼点云的分布范围。或者用代码打印出 x/y/z 的最大最小值。这样你设参数就有底了，不用瞎猜。

实战案例：去除背景点云

我记得有一次做室内机器人定位，激光雷达放在机器人顶部。扫描出来的点云里，天花板和地板占了将近 60% 的点。这些点对定位毫无帮助，反而增加计算量。直通滤波就是干这个的。

下面是一个完整的 C++ 示例，用 PCL 库实现：

#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>
#include <pcl/io/pcd_io.h>

int main() {
    // 1. 加载原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("room_scan.pcd", *cloud);
    std::cout << "原始点数: " << cloud->size() << std::endl;

    // 2. 创建直通滤波对象
    pcl::PassThrough<pcl::PointXYZ> pass;
    pass.setInputCloud(cloud);

    // 3. 过滤 z 轴：去除天花板和地板
    pass.setFilterFieldName("z");
    pass.setFilterLimits(0.2, 2.5);  // 保留 0.2m 到 2.5m 之间的点
    // pass.setFilterLimitsNegative(true);  // 如果设为 true，则保留 0.2m 以下和 2.5m 以上的点

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_z(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*cloud_filtered_z);
    std::cout << "z轴过滤后: " << cloud_filtered_z->size() << std::endl;

    // 4. 再过滤 x 轴：去除左右墙壁
    pass.setInputCloud(cloud_filtered_z);
    pass.setFilterFieldName("x");
    pass.setFilterLimits(-3.0, 3.0);  // 保留 -3m 到 3m 之间的点

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_x(new pcl::PointCloud<pcl::PointXYZ>);
    pass.filter(*cloud_filtered_x);
    std::cout << "x轴过滤后: " << cloud_filtered_x->size() << std::endl;

    // 5. 保存结果
    pcl::io::savePCDFile("room_filtered.pcd", *cloud_filtered_x);
    return 0;
}

这段代码做了两件事：先砍掉天花板和地板（z 轴），再砍掉左右墙壁（x 轴）。最终留下的就是机器人周围的障碍物点云。

避坑指南： 我曾经犯过一个低级错误——先过滤了 x 轴，再过滤 z 轴，结果顺序搞反了。因为 x 轴过滤后点云变少，z 轴过滤时输入点云已经不对了。记住：先过滤范围大的轴，再过滤范围小的轴，这样效率更高。

直通滤波的适用场景

去除固定背景：比如天花板、地板、墙壁、地面
提取感兴趣区域：比如只保留前方 10 米内的点云
预处理降采样：在体素滤波之前，先砍掉无用区域，减少计算量

但直通滤波也有局限。它只能做矩形裁剪，不能做圆形或任意形状。如果你需要更复杂的空间裁剪，那就得上条件滤波或区域生长分割了。

知识体系图

下面这张图帮你理清直通滤波在整个点云处理流程中的位置：

从图上可以看得很清楚：直通滤波就是一条直线流程。输入原始点云，选轴、设范围、执行裁剪，输出过滤后的点云。没有复杂的数学，没有迭代计算，就是纯粹的「切一刀」。

但这一刀切得好不好，直接决定后续处理的效率。我见过有人上来就做体素滤波，结果体素滤波把背景和前景一起降采样了，后面分割根本分不开。先做直通滤波砍掉背景，再做体素滤波降采样，顺序对了，效果天差地别。

好了，直通滤波就讲这么多。记住一句话：先砍背景，再谈其他。

可可精品资料库

📚 课程目录

直通滤波（PassThrough）：原理与参数调优

原理：一维范围裁剪

参数调优：三个轴的范围怎么定？

实战案例：去除背景点云

直通滤波的适用场景

知识体系图