4. 滤波算法分类：基于距离、基于统计、基于体素、基于深度学习的四大类方法

说实话，点云滤波这个事儿，刚入行的时候我也觉得挺简单的——不就是把噪声去掉嘛。但真正上手做项目才发现，选错滤波方法，轻则效果打折扣，重则直接把有用信息给滤没了。我踩过的坑，今天一次性给你讲清楚。

点云滤波算法，按原理可以分成四大类。每一类都有自己的脾气秉性。咱们一个一个来看。

4.1 基于距离的滤波

这类方法最直观。说白了就是：离我太远的不要，离我太近的也不要。

典型代表：直通滤波、半径滤波、条件滤波

直通滤波，我习惯叫它「一刀切」。你设定一个范围，比如Z轴0到2米，之外的统统干掉。我在做AGV导航时经常用这招——地面以上的点留着，天花板和远处的杂点直接砍掉，效率极高。

// 直通滤波示例（伪代码）
PassThrough filter;
filter.setInputCloud(cloud);
filter.setFilterFieldName("z");
filter.setFilterLimits(0.0, 2.0);
filter.filter(*filteredCloud);

半径滤波呢，是检查每个点周围有没有足够多的邻居。如果邻居太少，说明这个点很可能是孤立的噪声点。我在做室外激光雷达数据时，经常用半径滤波来干掉那些飘在空中的飞点。

条件滤波更灵活，你可以组合多个条件。比如「距离在1-10米之间，且强度值大于50」——这种组合拳在实际项目中非常实用。

4.2 基于统计的滤波

这类方法的核心思想是：异常点往往不符合统计规律。

典型代表：统计滤波、高斯滤波

统计滤波是我个人最常用的方法之一。它计算每个点到其K个近邻的平均距离，然后假设这些距离服从高斯分布。那些距离均值太远的点，就被判定为离群点。

嗯，这里要注意一个参数——标准差倍数。我刚开始用的时候，把倍数设得太小，结果把墙面上的一些有效点也给滤掉了。后来我总结了一个经验：室内场景用1.0-1.5倍，室外场景用2.0-3.0倍。

高斯滤波更平滑一些，适合对点云做平滑处理。但说实话，在SLAM里我很少直接用高斯滤波——它容易把边缘特征给模糊掉，影响后续的配准精度。

4.3 基于体素的滤波

这类方法，说白了就是把空间切成小方块，每个方块里只保留一个代表点。

典型代表：体素滤波（Voxel Grid）

体素滤波是我在项目中用得最多的降采样方法。为什么？因为它能保持点云的形状特征，同时大幅减少点数。

你想想看，一个10万点的点云，用0.1米的体素滤波一过，可能就剩下1万点了。但形状基本不变。这对实时SLAM来说太重要了。

// 体素滤波示例
VoxelGrid filter;
filter.setInputCloud(cloud);
filter.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素大小
filter.filter(*filteredCloud);

体素滤波还有一个变种——体素中心滤波和体素重心滤波。前者取体素的几何中心，后者取体素内所有点的重心。我个人更推荐重心滤波，因为它更能代表原始点的分布。

4.4 基于深度学习的滤波

这是近几年才火起来的方向。用神经网络来学习哪些点是噪声，哪些点该保留。

典型代表：PointNet、PointCNN、DensePoint

说实话，深度学习滤波在学术界很热，但在工业落地中我见得不多。原因很简单：需要大量标注数据，而且泛化能力有限。

我在一个项目中试过用PointNet做去噪，训练集上效果很好，但换了一个传感器型号后，效果直接崩了。后来我总结：深度学习滤波适合场景固定、传感器固定的情况，比如工厂里的固定式扫描。

不过话说回来，深度学习滤波有一个传统方法做不到的优势——能处理非常复杂的噪声模式。比如混合了高斯噪声、离群点、甚至遮挡造成的空洞，传统方法往往需要组合多种滤波器，而深度学习可以端到端地学习。

4.5 四大类方法对比

为了让你看得更清楚，我整理了一个对比表：

你看，没有哪种方法是万能的。实际项目中，我通常的做法是：先用直通滤波砍掉无效区域，再用体素滤波降采样，最后用统计滤波去离群点。这套组合拳，应付90%的场景都没问题。

这张图把四大类方法的关系和选型建议都画出来了。你可以把它当作一个快速参考——做项目时先看场景，再选方法，别一上来就套深度学习，那玩意儿杀鸡用牛刀。

好了，这一章的内容就到这儿。记住：没有最好的滤波算法，只有最合适的。多试几种，找到最适合你场景的那一个。