直通滤波（PassThrough）：原理讲解、参数调优与实战案例
各位同学好，今天我们来聊聊点云滤波里最基础、也最常用的一招——直通滤波。说白了，它就是一把「剪刀」，沿着某个坐标轴把点云剪开。
我刚开始做激光SLAM的时候，经常遇到一个问题：点云里全是远处的噪声点，算法跑起来又慢又容易飘。后来我发现，很多时候根本不需要那么复杂的滤波算法，一把直通滤波就能解决80%的问题。
直通滤波的原理
直通滤波的原理非常简单。你设定一个坐标轴（比如X轴），再设定一个范围（比如 -10 米到 10 米）。所有在这个范围之外的点，统统删掉。
为什么会这样？因为激光雷达扫描时，远处的点往往稀疏且噪声大。你想想看，一个100米外的点，可能只被扫描到一两次，它的位置精度远不如近处的点。这些点不仅没用，还会拖慢计算速度。
直通滤波的数学表达其实就一句话：
if point.x >= min_x and point.x <= max_x:
keep point
else:
discard point嗯，就是这么简单。但简单不代表没用，关键在于怎么用好它。
参数调优：X/Y/Z轴范围怎么设？
我个人习惯把直通滤波分成三种场景来调参：
| 场景 | 常用轴 | 典型范围 | 说明 |
|---|---|---|---|
| 去除远处离群点 | Z轴（深度方向） | 0.5m ~ 50m | 太近有传感器盲区，太远噪声大 |
| 提取地面 | Z轴（高度方向） | -0.5m ~ 0.3m | 假设地面在传感器下方 |
| 提取前方区域 | X轴（前进方向） | 0m ~ 30m | 只保留车辆前方的点 |
这里有个避坑指南：我曾经在调Z轴范围时，把最小值设成了0.1米。结果发现点云里全是传感器自身的反射噪声。后来我才意识到，激光雷达的近端盲区一般在0.3米左右，低于这个值的点基本都是干扰。
实战案例：去除远处离群点
我们来看一个实际案例。假设你有一帧点云，里面包含了一个100米外的孤立点。这个点可能是飞鸟、可能是灰尘，反正不是你要的地面物体。
用直通滤波处理它，代码长这样：
import open3d as o3d
import numpy as np
# 读取点云
pcd = o3d.io.read_point_cloud("scan.pcd")
# 创建直通滤波器
pass_through = o3d.geometry.PointCloud
# 沿Z轴滤波，只保留0.5米到50米之间的点
z_filtered = pcd.crop(
o3d.geometry.AxisAlignedBoundingBox(
min_bound=(-100, -100, 0.5),
max_bound=(100, 100, 50)
)
)
# 可视化对比
o3d.visualization.draw_geometries([pcd], window_name="原始点云")
o3d.visualization.draw_geometries([z_filtered], window_name="滤波后点云")这段代码里，我用了 AxisAlignedBoundingBox 来定义裁剪范围。注意看 min_bound 和 max_bound 的写法——Z轴范围设成了 0.5 到 50 米。这样既去掉了传感器近端的盲区噪声，也砍掉了远处那些不可靠的点。
核心要点：直通滤波的参数不是拍脑袋定的。你需要先观察你的点云数据，看看噪声点分布在什么范围，再反过来设定阈值。
直通滤波的局限性
直通滤波虽然好用，但它有个硬伤：它只能沿着坐标轴方向裁剪。如果噪声点恰好和目标物体在同一个坐标范围内，它就无能为力了。
举个例子：一辆车和它旁边的树，如果它们在Z轴上的高度范围重叠，直通滤波就分不开它们。这时候你需要更高级的滤波方法，比如统计滤波或体素滤波。
小技巧：我一般把直通滤波作为预处理的第一步。先快速砍掉明显没用的区域，再用其他滤波做精细处理。这样整体效率能提升30%以上。
知识体系图
下面这张图总结了直通滤波的核心逻辑：
警告：直通滤波会永久删除点云数据。如果你不确定参数是否合适，建议先备份原始点云。我曾经因为手快，把一帧珍贵的实验数据直接剪没了，后来不得不重新采集。
好了，直通滤波的内容就讲到这里。记住一句话：简单的方法往往最实用。下次你遇到点云噪声问题，不妨先试试直通滤波，说不定一刀下去就解决问题了。
可可精品资料库