1. 点云滤波概述：什么是点云滤波？为什么需要滤波？常见噪声类型与滤波目标
大家好，我是你们的老朋友。今天咱们正式开讲《点云滤波参数调优实战》的第一章。说实话，点云滤波这事儿，看着简单，但坑特别多。我当年刚入行时，就因为滤波参数没调好，导致整个SLAM系统跑飞了，那叫一个惨。
好，咱们不扯远了。先搞清楚一个最基本的问题：点云滤波到底是什么？
1.1 什么是点云滤波？
点云滤波，说白了就是对三维点云数据进行“去粗取精”的过程。你想想看，激光雷达或者深度相机扫出来的原始点云，里面啥都有——有用的物体轮廓、没用的噪声点、甚至飞在空中的“幽灵点”。滤波就是把这些乱七八糟的东西处理干净，留下我们真正需要的数据。
我个人习惯把点云滤波比作“筛沙子”。原始点云就像刚从河里捞上来的沙石，里面有沙子、石子、还有树叶和虫子。滤波就是拿不同目数的筛子，把有用的留下，没用的扔掉。
核心定义：点云滤波是指通过数学或统计方法，对点云数据中的噪声点、离群点、冗余点进行剔除或修正，同时保留或增强目标特征的过程。
嗯，这里要注意：滤波不是简单的“删点”。好的滤波算法，能在去噪的同时，保持物体的边缘特征和几何结构。这一点，后面咱们会反复强调。
1.2 为什么需要滤波？
你可能会问：“原始点云直接用不行吗？” 我告诉你，真不行。原因有三：
- 传感器天生有噪声——激光雷达、深度相机都不是完美的。我在项目中遇到过，同一台Velodyne VLP-16，在室内和室外扫出来的噪声水平能差3倍。环境光、反射率、温度都会影响。
- 数据量太大——64线激光雷达一秒钟能产生130万个点。如果不滤波，后续的配准、分割、识别算法根本跑不动。你想想看，CPU和内存都在哭。
- 噪声会“传染”——一个离群点，在ICP配准时可能导致整个位姿估计偏掉。我曾经因为一个飞点没滤掉，导致机器人定位误差从5厘米变成了50厘米。嗯，从那以后我再也不敢轻视滤波了。
我的经验：滤波不是越狠越好。过度滤波会丢失细节，比如把墙角的边缘点也删掉了，导致建图出现“缺角”。滤波的度，需要根据具体场景来调。后面我们会专门讲参数调优。
1.3 常见噪声类型
搞清楚了为什么需要滤波，咱们来看看噪声到底长什么样。我把它分成三类：
| 噪声类型 | 来源 | 特征 | 典型例子 |
|---|---|---|---|
| 离群点 | 传感器误触发、多路径反射 | 远离主体点云，孤立存在 | 空中飘着的“幽灵点” |
| 体噪声 | 传感器热噪声、量化误差 | 在真实表面附近随机抖动 | 墙面上的“毛刺” |
| 冗余点 | 同一区域多次扫描 | 密度过高，信息重复 | 墙角处堆叠的点云 |
为什么会这样？我简单解释一下：
- 离群点：激光打到玻璃上，一部分光透过去了，一部分反射回来，但时间不对，就产生了一个“假点”。或者雨雪天气，水滴反射也会产生离群点。
- 体噪声：这是最普遍的。任何传感器都有测量误差，比如深度相机在弱光环境下，每个点的深度值都会上下波动。这种噪声通常服从高斯分布。
- 冗余点：机器人停下来时，激光雷达还在转，同一个位置扫了N遍。这些点除了增加计算量，没啥用。
1.4 滤波目标
好，知道了噪声长啥样，那滤波到底要达到什么目标？我总结了四点：
- 去噪——剔除离群点和体噪声，让点云“干净”起来。
- 降采样——减少点数，降低计算量，同时尽量保持几何结构。
- 保边——保留物体的边缘、角点等关键特征，不能把棱角磨圆了。
- 平滑——对表面进行适度平滑，消除测量抖动，但不能过度平滑导致细节丢失。
注意：这四个目标之间是相互矛盾的。比如降采样和保边，你点少了，边缘信息自然就丢了。所以滤波的本质是权衡。后面每一章，我们都会围绕这个权衡来展开。
1.5 知识体系总览
为了让大家对本章内容有个整体认识，我画了一张图。这张图展示了点云滤波的完整知识框架：
这张图把咱们今天讲的内容串起来了。你看，左边是“为什么需要滤波”，中间是“噪声长什么样”，右边是“滤波要达到什么目标”。底部那句话是重点——权衡。后面每一章，我们都会围绕这个权衡来展开。
1.6 小结
好，第一章就到这里。咱们总结一下：
- 点云滤波就是去粗取精，把噪声和冗余去掉，留下有用的结构。
- 滤波的必要性来自传感器噪声、数据量过大、噪声传播三个原因。
- 噪声分三类：离群点、体噪声、冗余点，各有各的来源和特征。
- 滤波目标有四个：去噪、降采样、保边、平滑，它们之间需要权衡。
下一章，咱们会深入讲体素滤波——这是最常用的降采样方法。我会手把手教你调参数，还会分享我踩过的坑。到时候见！