3、直通滤波（PassThrough Filter）：原理与适用场景、基于坐标轴的裁剪、多轴联合滤波实战

3.1 直通滤波到底在干什么？

直通滤波，名字听着挺唬人，其实说白了就是「切一刀」。

你想象一下，你面前有一堆散乱的点云数据。这些点分布在三维空间里，有高有低、有远有近。但很多时候，我们只关心某个范围内的点。比如，我只想看前方 5 米到 10 米之间的物体，或者我只想保留高度在 1.5 米以下的点。

直通滤波干的事就是：指定一个坐标轴（比如 X 轴），设定一个范围（比如 5 到 10），然后把这个范围之外的点全部扔掉。

嗯，就是这么简单粗暴。但你别小看它，我在实际项目中，80% 的预处理工作都是靠它完成的。

3.2 适用场景：什么时候该用它？

我个人习惯，拿到点云数据后，第一件事就是做直通滤波。为什么？因为原始数据里「脏东西」太多了。

• 场景一：去除背景远点
  比如用激光雷达扫描一个房间，远处的墙壁、窗外的树都会进来。我只关心房间内的物体，那就沿着 Z 轴（深度方向）切一刀，把 10 米以外的点全干掉。
• 场景二：限定工作区域
  做机器人导航时，机器人只需要关注前方 3 米内的障碍物。太远的点不仅没用，还会增加计算量。沿 X 轴设个 [0, 3] 的区间，干净利落。
• 场景三：去除地面或天花板
  沿 Y 轴（高度方向）裁剪，保留 0.2 米到 1.8 米的点，这样地面和天花板就被去掉了，剩下的就是中间的物体。

说白了，直通滤波就是「空间范围限定器」。你想想看，很多高级算法（比如聚类、分割）都怕噪声，而直通滤波就是最廉价、最有效的去噪手段之一。

3.3 基于坐标轴的裁剪：单轴滤波实战

我们先看最简单的单轴滤波。假设你有一个点云，每个点包含 (x, y, z) 坐标。你想保留 x 在 0 到 5 之间的点。

代码实现（C++ + PCL 库）是这样的：

// 创建直通滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);          // 输入点云
pass.setFilterFieldName("x");       // 沿 X 轴裁剪
pass.setFilterLimits(0.0, 5.0);     // 保留 [0, 5] 区间
// 注意：默认保留区间内的点，也可以取反
// pass.setFilterLimitsNegative(true); // 保留区间外的点

// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);

你看，就这么几行代码。但这里有个坑，我踩过好几次。

另外，setFilterFieldName 可以填 "x"、"y"、"z"，也可以填其他字段，比如强度值 "intensity"。没错，直通滤波不只能切坐标，还能切强度！

3.4 多轴联合滤波：这才是实战中的常态

单轴滤波太简单了，实际项目中我们往往需要多轴联合。比如，我想保留一个「长方体」区域内的点：x 在 [0, 5]，y 在 [-2, 2]，z 在 [0, 3]。

怎么做？很简单，连续调用三次直通滤波就行了。

// 第一次：沿 X 轴
pcl::PassThrough<pcl::PointXYZ> pass_x;
pass_x.setInputCloud(cloud);
pass_x.setFilterFieldName("x");
pass_x.setFilterLimits(0.0, 5.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_x(new pcl::PointCloud<pcl::PointXYZ>);
pass_x.filter(*cloud_x);

// 第二次：沿 Y 轴
pcl::PassThrough<pcl::PointXYZ> pass_y;
pass_y.setInputCloud(cloud_x);  // 注意输入是上一次的结果
pass_y.setFilterFieldName("y");
pass_y.setFilterLimits(-2.0, 2.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xy(new pcl::PointCloud<pcl::PointXYZ>);
pass_y.filter(*cloud_xy);

// 第三次：沿 Z 轴
pcl::PassThrough<pcl::PointXYZ> pass_z;
pass_z.setInputCloud(cloud_xy);
pass_z.setFilterFieldName("z");
pass_z.setFilterLimits(0.0, 3.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>);
pass_z.filter(*cloud_xyz);

这样，cloud_xyz 就是那个长方体区域内的点了。

你可能会问：为什么不一次性设三个条件？嗯，PCL 的 PassThrough 目前不支持多字段同时滤波，所以只能串行处理。不过别担心，串行三次的开销很小，几乎不影响性能。

3.5 知识体系：直通滤波的核心逻辑

为了让你更直观地理解，我画了一张流程图。它展示了直通滤波从输入到输出的完整过程。

从这张图你可以看到，直通滤波的本质就是一个「空间判断器」。对每个点，检查它在指定轴上的坐标是否落在区间内。是就留着，不是就扔掉。就这么简单。

3.6 多轴联合滤波的另一种思路：条件滤波

如果你觉得串行调用三次太麻烦，PCL 还提供了 ConditionalRemoval 滤波器。它可以一次性设定多个条件。

// 创建条件对象
pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZ>());

// 添加三个轴的条件
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::GT, 0.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::LT, 5.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::GT, -2.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::LT, 2.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::GT, 0.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::LT, 3.0)));

// 执行条件滤波
pcl::ConditionalRemoval<pcl::PointXYZ> cond_rem;
cond_rem.setCondition(range_cond);
cond_rem.setInputCloud(cloud);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cond(new pcl::PointCloud<pcl::PointXYZ>);
cond_rem.filter(*cloud_cond);

我个人其实更推荐用串行直通滤波。为什么？因为代码更直观，可读性更好。条件滤波虽然一次搞定，但条件多了以后，代码变得又长又乱，调试起来也麻烦。

好了，这一章的内容就到这里。直通滤波虽然简单，但用好了，能解决很多实际问题。下一章我们会聊一个更有意思的滤波器——体素滤波，它能把密集的点云「变稀疏」，同时保留形状特征。到时候见。