一、点云滤波概述：什么是点云滤波？为什么需要滤波？常见噪声类型与挑战

大家好，我是你们这门课的主讲。今天咱们聊聊点云滤波。

说实话，我刚开始接触点云的时候，觉得这东西挺酷的——一堆三维点，能还原出真实世界的形状。但真正上手做项目才发现，原始点云数据简直是个「大染缸」。什么乱七八糟的噪声都有。嗯，这时候就需要滤波了。

1.1 什么是点云滤波？

点云滤波，说白了就是给点云数据「洗个澡」。把那些不想要的、脏兮兮的噪声点去掉，保留我们真正关心的结构信息。

你想想看，激光雷达扫一圈，或者深度相机拍一张，得到的点云里除了目标物体，还有啥？有空气中的悬浮颗粒、有边缘的飞点、有反射造成的鬼影……这些都得靠滤波来处理。

我个人习惯把点云滤波分成两类：

• 去除噪声：干掉那些明显不属于场景的孤立点
• 精简数据：在保留特征的前提下，减少点的数量，提升处理速度

我在做自动驾驶项目时遇到过这种情况：一辆车在隧道里行驶，激光雷达扫到的点云里全是隧道壁的反射和空气中的灰尘。如果不滤波，后续的配准和建图根本没法做。滤波不是可选项，是必选项。

1.2 为什么需要滤波？

这个问题其实很直接。我给你列三个核心原因：

1. 传感器天生有噪声——激光雷达、深度相机、ToF相机，没有一个是完美的。它们都会引入误差。
2. 环境干扰不可避免——雨、雪、雾、阳光直射，都会让点云质量下降。我在雨夜做过测试，点云里全是雨滴的反射点，密密麻麻的。
3. 后续算法需要干净数据——配准、分割、识别、建图，这些算法对噪声都很敏感。你给它们一堆脏数据，它们就给你一堆错误结果。

1.3 常见噪声类型

我这些年踩过的坑不少，总结下来，点云噪声大概有这么几类：

噪声类型	来源	特征	我遇到的典型案例
孤立离群点	传感器随机误差、多路径反射	远离主点云，密度极低	室内扫描时，墙角出现几个飘在空中的点
体素噪声	深度相机量化误差	在物体边缘呈锯齿状	Kinect扫人脸，鼻子边缘全是毛刺
反射噪声	高反光表面、镜面反射	产生虚假点或空洞	扫描汽车后视镜，出现大量飞点
运动畸变	扫描过程中传感器或物体移动	点云拉伸、扭曲	手持扫描仪边走边扫，墙壁变斜了
环境噪声	雨、雪、雾、灰尘	均匀分布的小点	户外下雨天，点云里全是雨线

你看，噪声的种类还挺多的。每种噪声的处理方式都不一样。比如孤立离群点，用统计滤波就能搞定；但运动畸变，就得靠IMU或者ICP来补偿了。

1.4 滤波面临的挑战

滤波听起来简单，做起来其实挺头疼的。我总结了几点：

• 参数调优难——同一个滤波算法，参数设大了把特征也滤掉了，设小了噪声还在。我经常为了调一个半径参数，反复试几十次。
• 实时性要求高——尤其是在机器人、自动驾驶场景，你必须在几毫秒内处理完一帧点云。算法再准，跑不动也是白搭。
• 场景多样性——室内和室外、晴天和雨天、近处和远处，噪声分布完全不同。一套参数打天下？不存在的。
• 边缘保持难——滤波时很容易把物体的尖锐边缘给磨平了。我做过一个实验，用体素滤波下采样后，一个立方体变成了圆角立方体……

1.5 本章知识体系

下面这张图，是我自己梳理的点云滤波知识框架。你看一眼，心里就有数了。

好了，这一章就到这里。滤波的概念和挑战我们聊清楚了。下一章，我会带大家手撸第一个滤波算法——直通滤波。代码我会一行一行讲，保证你能跑起来。

可可精品资料库