1. 点云滤波概述：噪声来源、滤波必要性、常见算法分类

大家好，我是老张。做点云处理这些年，我踩过最多的坑，就是滤波这关没过好。你想想看，辛辛苦苦扫描出来的点云，如果噪声一大堆，后面做配准、做分割，基本就是白费功夫。今天咱们就来聊聊点云滤波这件事。

1.1 点云噪声从哪里来？

先说噪声来源。我习惯把它们分成三类：

• 传感器自身噪声：激光雷达也好，深度相机也罢，硬件本身就有精度限制。比如Velodyne的16线雷达，近距离精度还行，远一点就开始飘了。我做过一个项目，用某款国产雷达扫描建筑物，结果墙面上全是毛刺——那就是传感器噪声。
• 环境干扰：雨雪、雾霾、强光，这些都会让点云质量下降。记得有一次在户外做测绘，正好赶上大雾天，点云里全是悬浮的噪点，跟下雪似的。这种噪声靠硬件很难避免，只能靠滤波来补救。
• 运动畸变：扫描过程中如果物体在动，或者载体在动，点云就会产生拖影。嗯，这个在SLAM里特别常见。我刚开始做激光SLAM时，就因为这个吃了不少苦头。

1.2 为什么一定要滤波？

说白了，滤波的目的就三个：

1. 提高数据质量：去掉那些明显不对的点，比如离群点、飞点。我见过有人拿原始点云直接做配准，结果迭代半天都不收敛——就是因为噪声太多。
2. 降低计算量：点云数据量通常很大，几十万甚至上百万个点。如果全留着，处理起来太慢。滤波可以去掉冗余点，保留关键信息。
3. 改善后续算法效果：分割、配准、重建，这些算法对噪声都很敏感。你想想看，如果点云里全是毛刺，重建出来的模型能好看吗？

1.3 常见滤波算法分类

滤波算法很多，但常用的就那么几种。我按应用场景给大家梳理一下：

算法名称	适用场景	优缺点
直通滤波	去除指定范围外的点	简单快速，但只能处理规则区域
体素滤波	下采样，降低点云密度	效果好，但会丢失细节
统计滤波	去除离群点	鲁棒性强，适合稀疏噪声
半径滤波	去除孤立点	参数简单，但效率一般
双边滤波	平滑表面，保留边缘	效果好，但计算量大

这里我重点说两个：

体素滤波是我用得最多的。它的原理很简单——把空间划分成小格子，每个格子只保留一个点。这样既能降低数据量，又能保持点云的几何结构。我曾经处理过一个1亿点的点云，用体素滤波降到100万点，效果几乎没变，但处理速度快了上百倍。

统计滤波则是去噪神器。它的思路是：计算每个点周围邻居的平均距离，如果某个点离邻居太远，就认为是离群点。嗯，这里要注意，阈值设得太小会把好点也删掉，设得太大又去不掉噪声。我一般会先看数据分布，再调参数。

1.4 知识体系总览

为了让大家更直观地理解，我画了一张图：

1.5 一个简单的滤波示例

最后，给大家看一段代码。这是用PCL做统计滤波的示例：

// 统计滤波示例
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 创建统计滤波对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);          // 邻居点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);

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

这段代码我用了很多次。参数setMeanK和setStddevMulThresh是关键。我一般会先试meanK=50、stddevMulThresh=1.0，然后根据效果微调。如果噪声比较严重，就把stddevMulThresh调小一点。

好了，这一章就到这里。滤波是点云处理的基础，打好这个基础，后面学起来会轻松很多。