第4章：直通滤波（PassThrough）—— 最直观的点云“剪刀手”
各位好，欢迎来到第四章。
今天聊一个非常基础，但我在项目中几乎天天用的滤波方法——直通滤波。
你想想看，激光雷达扫出来的点云，动不动就几十万甚至上百万个点。但很多时候，我们关心的区域就那么一小块。比如自动驾驶里，我只想看前方50米内的障碍物，远处那些稀疏的噪点留着干嘛？
直通滤波，说白了就是一把“剪刀”。沿着X、Y、Z轴，咔嚓一下，把范围外的点全剪掉。
4.1 原理讲解：一维上的“切分”
直通滤波的原理极其简单，简单到有时候新手会觉得“这也能叫算法？”
它的核心思想是：对点云在指定维度（X、Y或Z轴）上设定一个范围，保留范围内的点，剔除范围外的点。
举个例子：
- 你设定Z轴范围：0.5米 到 2.0米
- 点云中每个点，如果它的Z值在[0.5, 2.0]之间，就留下
- 否则，直接扔掉
就这么简单。没有复杂的数学公式，没有迭代计算。但它的威力，在于组合使用。
核心公式（其实算不上公式）：
保留条件：min_limit ≤ point.axis ≤ max_limit
其中 axis ∈ {x, y, z}
我个人习惯，把直通滤波叫做“点云预处理的第一道门”。不管后面要做什么——分割、聚类、识别——先把无关区域切掉，能省下大量计算时间。
4.2 PCL实现：三行代码搞定
在PCL（Point Cloud Library）里，直通滤波的实现封装得非常好。你只需要创建一个滤波器对象，设置参数，然后调用滤波函数。
来看代码：
#include <pcl/filters/pass_through.h>
// 1. 创建滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;
// 2. 设置输入点云
pass.setInputCloud(cloud_input);
// 3. 设置滤波轴和范围
pass.setFilterFieldName("z"); // 沿Z轴滤波
pass.setFilterLimits(0.5, 2.0); // 保留0.5米到2.0米之间的点
// 4. 执行滤波
pass.filter(*cloud_filtered);嗯，这里要注意：setFilterLimits的两个参数，第一个是下限，第二个是上限。默认是保留范围内的点。
如果你想反过来——保留范围外的点——可以加一行：
pass.setFilterLimitsNegative(true); // 取反，保留范围外的点这个功能我在项目中用过一次。当时需要剔除地面附近的点（Z值小于0.3米的），用setFilterLimitsNegative(true)配合Z轴下限，一行代码就搞定了。
4.3 设置滤波范围：X/Y/Z轴的选择策略
很多新手会问：到底该用哪个轴？范围设多少？
我的经验是：先看你的应用场景，再看传感器安装位置。
| 应用场景 | 常用滤波轴 | 典型范围 | 说明 |
|---|---|---|---|
| 自动驾驶（前向） | X轴（前进方向） | 0 ~ 50米 | 剔除后方和过远的点 |
| 机器人导航 | Z轴（高度） | 0.2 ~ 1.8米 | 剔除地面和天花板 |
| 道路边界检测 | Y轴（横向） | -5 ~ 5米 | 只保留车道内的点 |
| 室内建图 | Z轴 | 0.1 ~ 2.5米 | 剔除地面和过高区域 |
我曾经在一个项目中，激光雷达装在车顶，Z轴零点在雷达中心。结果地面反射点特别多，导致后续聚类总是把地面当成障碍物。我直接用Z轴直通滤波，把0.2米以下的点全切掉，问题立刻解决。
小技巧：如果你不确定范围设多少，可以先可视化点云，用鼠标量一下目标区域的范围。PCL的pcl_viewer支持按住Shift键查看点的坐标。
4.4 实战：去除远处噪点
好，理论讲完了，咱们来一个实战案例。
场景：你有一帧户外点云，激光雷达能扫到100米远。但50米以外的点非常稀疏，而且有很多飞点（噪点）。你想保留50米内的点，用于后续的障碍物检测。
步骤：
- 加载点云（假设是PCD文件）
- 创建直通滤波器，沿X轴（假设雷达正前方为X正方向）
- 设置范围：0.5米 ~ 50.0米（0.5米以下可能是雷达自身盲区）
- 执行滤波，保存结果
完整代码：
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/pass_through.h>
int main()
{
// 加载点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
if (pcl::io::loadPCDFile<pcl::PointXYZ>("outdoor_scan.pcd", *cloud) == -1)
{
PCL_ERROR("Couldn't read file outdoor_scan.pcd \n");
return -1;
}
std::cout << "原始点云点数: " << cloud->size() << std::endl;
// 创建滤波器
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("x");
pass.setFilterLimits(0.5, 50.0); // 保留0.5米到50米之间的点
// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);
std::cout << "滤波后点云点数: " << cloud_filtered->size() << std::endl;
// 保存结果
pcl::io::savePCDFileASCII("outdoor_scan_filtered.pcd", *cloud_filtered);
return 0;
}注意：直通滤波不会改变点的坐标，它只是“筛选”。如果你发现滤波后点云数量为0，检查一下你的范围设置是否合理。我曾经犯过这个错——把Z轴范围设成了0到0，结果全没了。
运行这段代码，你会发现原始点云可能有10万个点，滤波后只剩3万个。远处那些稀疏的噪点被干净地切掉了。后续做聚类或者分割，速度会快很多。
4.5 知识体系：直通滤波的核心逻辑
为了让你更直观地理解，我画了一张流程图。它展示了直通滤波在整个点云处理流程中的位置，以及它的内部逻辑。
从这张图你可以看到，直通滤波的本质就是一个逐点判断的过程。它不关心点的邻居关系，也不做任何插值。简单、粗暴、有效。
4.6 避坑指南
最后，分享几个我踩过的坑：
- 坐标系搞反了：雷达坐标系中，X轴可能是前进方向，也可能是侧向。一定要先确认。我曾经把X和Y搞反，切了半天发现切错了方向。
- 范围边界太紧：如果你设的边界正好在目标物体的边缘，可能会把有用的点切掉。建议留一点余量，比如目标在10米处，范围设到10.5米。
- 忘了考虑雷达盲区：很多雷达近处有盲区（比如0.3米以内）。如果你把下限设为0，可能会保留一些雷达自身的噪声点。
我的习惯：每次做直通滤波前，先用pcl_viewer看一眼点云，心里大概有个范围。然后先设一个宽松的范围，看效果，再逐步收紧。别一上来就设死。
好了，直通滤波就讲到这里。它虽然简单，但用好了能省下大量时间。下一章我们会聊一个更“聪明”的滤波方法——体素滤波。到时候你会发现，有时候“粗”比“细”更管用。
可可精品资料库