第一章：点云滤波概述

各位同学好，我是你们这门课的老朋友。今天咱们聊聊点云滤波——这个听起来有点枯燥，但实际上是3D视觉里最基础也最关键的一环。

说实话，我刚开始接触点云的时候，也犯过不少傻。记得有一次，我拿了个激光雷达扫了一堆数据，直接扔进算法里跑，结果出来的地图简直没法看。后来才发现，原始数据里全是噪声，根本没做滤波。嗯，从那以后，我再也不敢跳过这一步了。

什么是点云滤波？

点云滤波，说白了就是给点云数据“洗个澡”。

你想想看，激光雷达或者深度相机扫出来的点云，就像一张满是灰尘的照片。直接拿去用，肯定不行。滤波就是把这些灰尘擦掉，把有用的信息留下来。

我个人习惯把点云滤波分成三类：

• 去噪——把那些飘在空中的孤立点、离群点干掉
• 降采样——点太多了算不动，得抽稀一下
• 兴趣区域提取——只保留我们关心的那一块

这三件事，几乎每个点云项目都绕不开。

点云滤波在3D视觉中的核心地位

为什么说滤波是核心？我举个例子你就明白了。

做SLAM的时候，如果你不滤波，特征匹配会匹配到一堆噪声点，位姿估计直接崩掉。做目标检测的时候，噪声点会让分类器学出一堆假特征。做三维重建的时候，噪声会让表面变得坑坑洼洼。

说白了，滤波是点云处理的第一步，也是决定后续算法成败的关键一步。我在项目中遇到过好几次，明明算法逻辑没问题，结果就是不好，最后发现是滤波参数没调对。

常见的点云噪声来源

噪声从哪来？我总结了一下，主要有三个源头：

噪声类型	来源	典型表现
传感器噪声	激光雷达、深度相机的硬件限制	点云出现随机抖动、毛刺
环境光干扰	太阳光、强光源直射	深度值跳变、出现空洞
运动畸变	传感器或目标在扫描过程中移动	点云出现拉伸、扭曲

传感器噪声是最常见的。我记得有一次用某款入门级激光雷达，扫一面白墙，结果点云厚度居然有5厘米。这就是典型的传感器噪声，必须用滤波把它压下去。

环境光干扰嘛，做室外项目的时候特别头疼。大太阳底下，深度相机的红外光会被淹没，点云直接变成一片空白。这时候就得靠滤波来补洞或者剔除异常值。

运动畸变这个坑，我踩过好几次。做手持SLAM的时候，你拿着设备边走边扫，每一帧点云其实是在不同位置采集的。如果不做运动畸变校正，点云就会像被揉过的纸一样。嗯，这个后面我们会专门讲。

滤波的目标：去噪、降采样、兴趣区域提取

咱们把滤波的目标拆开来看：

1. 去噪

去噪是最基本的操作。我常用的方法有统计滤波、半径滤波、体素滤波。统计滤波适合去除稀疏的离群点，半径滤波适合去除孤立的噪声团。具体怎么选，得看你的数据特点。

2. 降采样

降采样不是为了省内存，而是为了算得快。你想想看，一个激光雷达每秒能扫出几十万个点，直接处理的话，CPU直接冒烟。降采样之后，点云数量减少到十分之一甚至百分之一，但几何特征基本保留。

我个人习惯用体素滤波做降采样。它把空间分成一个个小立方体，每个立方体里只保留一个点。体素大小设成0.01米，效果就很好了。

3. 兴趣区域提取

这个就更有意思了。有时候我们只关心某个区域，比如自动驾驶里只关心前方50米的路面。这时候就可以用直通滤波或者条件滤波，把范围外的点全部砍掉。

我曾经做过一个项目，需要检测货架上的商品。原始点云包含了整个仓库，数据量巨大。我直接用直通滤波把高度范围限制在货架层之间，数据量瞬间减少了80%，处理速度也上来了。

本章知识体系

下面这张图，是我自己画的，把本章的核心逻辑串起来了。你看一眼，心里就有数了。

这张图很直白：原始点云进来，经过噪声分析，然后针对性地做滤波处理，最后输出干净的数据。每一步都有对应的算法和技巧，后面我们会一个一个讲。

写在最后

这一章算是开胃菜。点云滤波看起来简单，但里面的门道不少。我见过很多新手一上来就调参数，调了半天效果还是不好，其实就是没理解噪声的来源和滤波的目标。

记住一句话：滤波不是越强越好，而是越合适越好。过度的滤波会丢失细节，不足的滤波又去不掉噪声。这个平衡点，需要你在实践中慢慢找。

好了，第一章就到这里。下一章我们开始动手，用代码实现第一个滤波算法。

可可精品资料库