1. 点云滤波概述：什么是点云滤波？为什么需要滤波？滤波在SLAM/三维重建中的作用

大家好，我是你们这趟点云之旅的向导。今天咱们聊聊点云滤波。

说实话，我刚入行那会儿，觉得滤波嘛，不就是把噪声去掉？后来踩的坑多了，才明白这事儿远没那么简单。点云滤波，说白了就是对原始点云数据进行“提纯”和“整形”。它不只是去掉几个噪点，更关键的是为后续的配准、建图、识别等算法，准备好干净、高效的数据。

1.1 什么是点云滤波？

点云滤波，就是一系列算法的统称。这些算法用来处理三维空间中的离散点集。我习惯把它分成三类操作：

• 去除噪声：干掉那些因为传感器误差、环境干扰产生的“飞点”。
• 降采样：在保持几何特征的前提下，减少点的数量。你想想看，一帧64线激光雷达的数据可能有几十万个点，全算一遍，CPU直接冒烟。
• 提取感兴趣区域：比如只保留地面以上的点，或者只保留某个距离范围内的点。

1.2 为什么需要滤波？

这个问题，我当年也问过自己。直接拿原始数据用不行吗？

嗯，还真不行。原因有三：

1. 传感器天生有噪声。不管是激光雷达、深度相机还是ToF传感器，都会产生离群点。我在项目中遇到过，一个反光的玻璃窗，能让雷达在某个角度打出几十个“幽灵点”。如果不滤掉，SLAM的位姿估计直接崩掉。
2. 数据量太大。实时SLAM系统里，每一毫秒都很宝贵。原始点云动辄几十万点，直接处理的话，帧率会掉到没法看。降采样滤波，就是给数据“瘦身”。
3. 场景复杂。比如扫地机器人，它只关心地面上的障碍物。天花板上的点、墙上的点，对导航没用。通过滤波把地面提取出来，能大幅简化后续的分割和路径规划。

1.3 滤波在SLAM中的作用

SLAM（同步定位与建图）对点云质量的要求，可以用“苛刻”来形容。为什么？

因为SLAM的核心是帧间匹配。比如ICP算法，它依赖点与点之间的对应关系。如果点云里混入了大量噪声，匹配就会出错，位姿估计就会漂移。

我个人的习惯是，在SLAM前端（也就是帧间匹配之前），至少做三步滤波：

• 体素滤波：把空间划分成小立方体，每个立方体只保留一个重心点。这样既能降采样，又能平滑噪声。
• 半径滤波：如果一个点周围指定半径内，邻居点太少，就判定为离群点，删掉。
• 直通滤波：只保留距离传感器一定范围内的点。太远的点精度差，太近的点容易产生遮挡。

1.4 滤波在三维重建中的作用

三维重建和SLAM不太一样。SLAM追求实时性，重建更追求完整性和精细度。

在重建中，滤波的作用主要体现在：

• 去除运动物体：比如扫描一个房间时，有人走过。这些动态点如果不滤掉，重建出来的模型会有“鬼影”。
• 平滑表面：统计滤波和移动最小二乘（MLS）滤波，能让重建的表面更光滑，减少锯齿。
• 孔洞修复：有些滤波算法（比如基于法线的滤波）可以推断出缺失区域的点，让模型更完整。

我记得有一次做文物三维扫描，原始数据里有很多因为反光产生的空洞。我用了基于法线的双边滤波，不仅保留了文物的纹理细节，还把空洞补上了。效果嘛，甲方很满意。

1.5 知识体系总览

下面这张图，是我自己梳理的点云滤波知识框架。你可以把它当作整个课程的“地图”。

1.6 一个简单的滤波示例

光说不练假把式。下面我用PCL（Point Cloud Library）展示一个最基础的体素滤波。代码很简单，但很实用。

#include <pcl/filters/voxel_grid.h>

// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 输出点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 创建滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
// 设置体素格子边长，单位：米
sor.setLeafSize(0.05f, 0.05f, 0.05f);
// 执行滤波
sor.filter(*cloud_filtered);

std::cout << "滤波前点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;

好了，这一章就到这里。点云滤波不是万能的，但没有滤波，很多算法是万万不能的。后面的章节，我会带大家逐个深入这些滤波算法，看看它们各自的脾气秉性。