第三章 体素滤波（VoxelGrid）：点云降采样的核心武器

体素滤波，说白了就是给点云做「瘦身」。

你想想看，一帧64线激光雷达的数据，动辄几十万甚至上百万个点。这么多点，直接拿去跑配准或建图，计算量太大了。我刚开始做SLAM时，就吃过这个亏——点云不预处理，算法跑得比乌龟还慢。

体素滤波就是解决这个问题的。它能在保留点云几何结构的前提下，大幅减少点的数量。今天我们就把它彻底讲透。

3.1 体素滤波的原理

体素滤波的核心思想很简单：把三维空间切成一个个小立方体，每个立方体就叫一个「体素」（Voxel）。

然后，对每个体素内的所有点，取它们的重心（或中心）来代表这个体素。这样一来，原本体素里的几十个点，就变成了一个点。

嗯，这里要注意：PCL默认用的是体素内所有点的重心，而不是体素的几何中心。这两者有区别——重心更贴近原始点云的分布，几何中心则可能偏离实际点云位置。

我画了一张图，帮你理解这个过程：

3.2 PCL实现：代码实战

理论讲完了，直接上代码。这是PCL中体素滤波的标准用法：

#include <pcl/filters/voxel_grid.h>

// 创建体素滤波对象
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;

// 设置输入点云
voxel_filter.setInputCloud(input_cloud);

// 设置体素边长（leaf size），单位：米
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);

// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>());
voxel_filter.filter(*filtered_cloud);

// 输出结果
std::cout << "原始点数: " << input_cloud->size() << std::endl;
std::cout << "滤波后点数: " << filtered_cloud->size() << std::endl;

代码就这么几行，但参数调起来有讲究。我个人习惯把leaf size设成0.05米到0.2米之间，具体看你的应用场景。

3.3 参数（leaf size）对结果的影响

leaf size是体素滤波最重要的参数。它决定了每个体素的边长，单位是米。

我整理了一张表，帮你快速理解不同leaf size的效果：

leaf size (米)	点数保留比例	几何细节保留	适用场景
0.01	~80%	几乎完整	高精度建模、精细扫描
0.05	~30%	较好	SLAM前端、实时配准
0.10	~10%	一般	快速建图、大场景概览
0.20	~3%	较差	粗匹配、可视化加速
0.50	<1%	严重丢失	不推荐，除非你只要轮廓

为什么会这样？说白了，leaf size越大，每个体素覆盖的空间越大，里面包含的点就越多，最终合并成一个点后丢失的信息也越多。

我建议你从0.05米开始试。如果点云还是太密，就加大到0.1米；如果细节丢失太多，就减小到0.02米。嗯，调参就是这么回事——没有万能参数，只有适合你场景的参数。

3.4 实战：对原始点云进行降采样

下面是一个完整的实战案例。我们用PCL读取一个PCD文件，做体素滤波，然后保存结果。

#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>

int main(int argc, char** argv) {
    // 1. 读取点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("input.pcd", *cloud) == -1) {
        PCL_ERROR("读取点云失败\n");
        return -1;
    }
    std::cout << "原始点数: " << cloud->size() << std::endl;

    // 2. 创建体素滤波对象
    pcl::VoxelGrid<pcl::PointXYZ> vg;
    vg.setInputCloud(cloud);
    vg.setLeafSize(0.1f, 0.1f, 0.1f);  // 试试改成0.05或0.2看看效果

    // 3. 执行滤波
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());
    vg.filter(*cloud_filtered);
    std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;

    // 4. 保存结果
    pcl::io::savePCDFileASCII("output_filtered.pcd", *cloud_filtered);

    // 5. 可视化对比
    pcl::visualization::PCLVisualizer viewer("体素滤波对比");
    int v1(0), v2(1);
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);
    viewer.addPointCloud(cloud, "original", v1);
    viewer.addPointCloud(cloud_filtered, "filtered", v2);
    viewer.spin();

    return 0;
}

运行这段代码，你会看到左右两个窗口：左边是原始点云，密密麻麻；右边是降采样后的点云，稀疏但结构清晰。

我个人在实际项目中，通常把体素滤波放在预处理的第一步。先降采样，再去做离群点剔除、平滑等操作。这样后续处理的计算量会小很多，而且效果不会差太多。

好了，体素滤波就讲到这里。记住一句话：leaf size是体素滤波的灵魂，调好它，你的点云处理就成功了一半。