2. 点云数据特性：无序性、稀疏性、密度不均匀性对滤波算法的影响
做点云处理这些年，我踩过最多的坑，其实不是算法本身多复杂，而是没搞懂点云数据到底「长什么样」。你想想看，点云和图像完全是两码事。图像是规规矩矩的网格，每个像素都有固定的邻居。点云呢？它就是一盘散沙。
这一章，咱们就聊聊点云的三个核心特性——无序性、稀疏性、密度不均匀性。我会结合自己实际项目中的教训，说说这些特性是怎么影响滤波算法选型的。
核心观点：不理解点云的数据特性，你选的滤波算法大概率会翻车。这不是危言耸听，我当年就吃过这个亏。
2.1 无序性：点云没有「第几个点」的概念
图像里，像素 (i, j) 就是固定的。点云呢？你把点云里的点随便换个顺序，它还是同一个点云。这就是无序性。
说白了，点云就是一个集合，不是序列。你不能说「取第100个点」，因为顺序是随机的。这给滤波算法带来了什么麻烦？
- 邻域搜索成了唯一依赖：既然不能靠索引找邻居，那就只能靠空间搜索。KD-Tree、Octree 这些数据结构就成了标配。
- 算法必须对顺序不敏感：比如统计滤波，它计算每个点到邻居的平均距离，这个结果和点的存储顺序无关。但有些算法，如果实现时不小心依赖了输入顺序，结果就会飘。
我的经验：有一次我写体素滤波，偷懒用了点云原始的存储顺序来做下采样。结果同样的数据，每次跑出来的结果都不一样。查了半天才发现，是点云加载时顺序变了。从那以后，我所有滤波算法的实现，第一件事就是检查是否对顺序敏感。
2.2 稀疏性：点云不是稠密的「面」
激光雷达扫一圈，可能就几十万个点。放到三维空间里，这点点连个立方体都填不满。这就是稀疏性。
稀疏性带来的问题很直接：
- 统计量不稳定：你想算一个区域的点云密度？如果区域内只有三五个点，算出来的均值方差基本是瞎扯。
- 滤波容易误删：比如半径滤波，如果半径设小了，稀疏区域的点全被当成离群点删掉了。我见过有人把远处的墙面点云全删光的案例。
避坑指南：我曾经在一个室外大场景项目里，直接用默认参数的统计滤波。结果近处的树保留得很好，远处的建筑物被删得七零八落。原因就是远处点云太稀疏，统计量完全失真。后来我改成自适应参数，才解决了这个问题。
2.3 密度不均匀性：近处密、远处疏
这是激光雷达的物理特性决定的。离传感器越近，扫描线越密；越远，点越散。同一帧点云里，近处可能每平方米几万个点，远处可能只有几个点。
密度不均匀对滤波算法的影响，可以说是最大的：
| 滤波算法 | 密度不均匀带来的问题 | 我的建议 |
|---|---|---|
| 体素滤波 | 固定体素大小：近处体素内点太多，下采样过度；远处体素内点太少，甚至空体素 | 根据距离自适应体素大小，或者用八叉树变体 |
| 统计滤波 | 近处标准差小，远处标准差大，全局阈值无法兼顾 | 分区域计算统计量，或者用局部自适应阈值 |
| 半径滤波 | 固定半径：近处能搜到一堆点，远处可能一个都搜不到 | 半径随距离增大而增大，或者改用K近邻 |
| 双边滤波 | 深度变化剧烈区域（物体边缘）容易过度平滑 | 结合强度信息或法向量做约束 |
关键认知：没有一种滤波算法能「一套参数打天下」。密度不均匀是点云的天生属性，你必须针对不同区域设计不同的策略。
2.4 三个特性如何联合影响滤波选型？
这三个特性不是独立存在的。它们会叠加在一起，给滤波算法出难题。我举个例子：
假设你要对一帧室外激光雷达点云做滤波。近处（0-10米）点云密集且有序，远处（50米外）点云稀疏且杂乱。如果你用固定半径的半径滤波：
- 半径设小了 → 远处点全被删（稀疏性 + 密度不均匀）
- 半径设大了 → 近处计算量爆炸（无序性导致邻域搜索变慢）
- 阈值设高了 → 近处噪声没滤掉
- 阈值设低了 → 远处有效点被误删
你看，一个简单的半径滤波，就被这三个特性搞得左右为难。
我的解决思路：在实际项目中，我通常会先做一次粗略的距离分段。比如0-20米用一套参数，20-50米用另一套，50米以上用更宽松的阈值。虽然代码丑了点，但效果确实好。后来我把它封装成了一个自适应滤波框架，才算是彻底解决了这个问题。
2.5 总结：选型时要问自己的三个问题
每次选滤波算法前，我都会问自己三个问题：
- 我的点云有序吗？——如果是RGB-D相机或双目重建的点云，可能带有网格结构，可以用一些图像滤波的思路。如果是激光雷达，默认当无序处理。
- 稀疏到什么程度？——如果每平方米不到10个点，就别用依赖统计量的滤波了，容易翻车。
- 密度变化有多大？——如果近处和远处密度差了两个数量级，一定要用自适应策略，别想着一个参数打天下。
嗯，这三个问题想清楚了，滤波选型就成功了一半。剩下的就是调参和验证了。
可可精品资料库