1. 点云滤波概述：什么是点云滤波？为什么需要滤波？滤波在SLAM/三维重建中的作用
大家好，欢迎来到这门课的第一讲。
咱们开门见山，先聊聊点云滤波到底是个啥。说白了，点云滤波就是给原始点云数据「洗个澡」，把脏东西、没用的东西、捣乱的东西统统去掉。你想想看，激光雷达扫出来的点云，那叫一个乱——有噪声点、有离群点、有地面反射的杂波，甚至还有飞鸟和树叶。这些数据要是直接拿去用，SLAM 也好，三维重建也好，结果肯定一塌糊涂。
我刚开始做点云处理那会儿，就吃过这个亏。有一次做室内重建，扫出来的点云里有个「幽灵墙」，怎么都对不齐。折腾了两天，最后发现是玻璃窗反射造成的离群点。从那以后，我养成了一个习惯：拿到点云数据，第一件事就是滤波。
1.1 点云滤波的本质
点云滤波，本质上是一个「信号处理」问题。每个点都包含三维坐标 (x, y, z)，有时候还有强度值、颜色值。这些数据里，既有真实场景的几何信息，也有各种噪声和干扰。
滤波要干三件事：
- 去噪：把传感器噪声、环境干扰造成的「毛刺点」去掉
- 降采样：把密集区域的数据稀疏化，减少计算量
- 提取：只保留感兴趣的区域，比如地面、墙面、目标物体
核心观点：滤波不是「删数据」，而是「提纯数据」。好的滤波，能让后续算法事半功倍。
1.2 为什么需要滤波？
你可能会问：原始数据直接用不行吗？嗯，我跟你讲，还真不行。原因有三：
- 传感器天生有噪声。激光雷达也好，深度相机也好，都有测量误差。尤其是远距离的点，误差能到厘米级。这些噪声点如果不处理，SLAM 的位姿估计会越跑越偏。
- 数据量太大。64线激光雷达一秒钟能产生上百万个点。直接处理？你的 CPU 会哭的。滤波降采样后，数据量能减少 80% 以上，精度却几乎不受影响。
- 场景中有「垃圾数据」。比如移动的车辆、行人、树叶。这些点对静态场景重建来说就是干扰。我做过一个项目，在公园里扫描，结果风一吹，树叶全成了「飞行的点云」，不滤波根本没法用。
我的经验：滤波参数调得好，后续算法能省 50% 的调试时间。调得不好？嗯，你会陷入「参数地狱」，怎么调都不对。
1.3 滤波在SLAM中的作用
SLAM 的核心是「同时定位与建图」。滤波在这里扮演了三个角色：
| 角色 | 具体作用 | 我踩过的坑 |
|---|---|---|
| 前端预处理 | 去除噪声点，提高特征匹配的准确性 | 曾经因为没滤掉地面点，导致 ICP 匹配一直收敛到错误位置 |
| 后端优化 | 减少关键帧中的冗余点，加速图优化 | 有一次数据量太大，优化跑了 10 分钟一帧，降采样后降到 30 秒 |
| 回环检测 | 滤波后的点云更容易提取稳定的特征描述子 | 回环检测失败，往往是因为噪声点干扰了特征匹配 |
我个人习惯在 SLAM 前端加一个「轻量级滤波」——只做体素滤波和离群点去除。这样既保证了实时性，又不会丢失太多细节。后端优化前，再做一个「精细滤波」，把地面和动态物体去掉。
1.4 滤波在三维重建中的作用
三维重建对点云质量的要求更高。你想想看，重建出来的模型是要给人看的，甚至是要用来做测量、做仿真的。一个噪声点，可能就让整个曲面变形。
滤波在重建中的作用：
- 保证表面平滑：去除噪声点后，重建出来的网格不会出现「疙瘩」和「凹陷」
- 保持边缘清晰：好的滤波算法能保留锐利边缘，不会把墙角磨圆了
- 减少空洞：去除离群点后，后续的孔洞填充算法更容易处理
注意：重建时滤波要「手下留情」。滤得太狠，细节全没了；滤得太轻，噪声还在。我一般会先做一次保守滤波，重建后再根据效果微调参数。
1.5 本章知识体系
下面这张图，是我自己总结的点云滤波知识体系。你可以把它当作整个课程的「地图」：
1.6 一个简单的滤波示例
光说不练假把式。咱们用 PCL 库写一个最简单的体素滤波，看看效果：
// 体素滤波示例 - 降采样
#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PointXYZ> filter;
filter.setInputCloud(input_cloud);
filter.setLeafSize(0.05f, 0.05f, 0.05f); // 5cm体素
filter.filter(*output_cloud);
std::cout << "滤波前: " << input_cloud->size() << " 个点" << std::endl;
std::cout << "滤波后: " << output_cloud->size() << " 个点" << std::endl;这段代码，体素大小设成 5cm。什么意思呢？就是把空间切成 5cm 的立方体，每个立方体里只保留一个点。我做过测试，64线激光雷达的一帧数据，从 13 万个点直接降到 2 万个点，但几何结构几乎没变。
小技巧：体素大小的选择，取决于你的应用场景。室内重建用 2-5cm，室外大场景可以用 10-20cm。我一般会先试 5cm，然后根据效果微调。
1.7 避坑指南
最后，分享几个我踩过的坑：
- 别上来就滤波。先看看原始数据长什么样，再决定用什么滤波方法。我见过有人对很干净的点云做双边滤波，结果把边缘全磨没了。
- 参数不是万能的。滤波参数调得再好，也救不了质量太差的数据。如果原始数据噪声太大，先检查传感器设置，别指望滤波能包治百病。
- 注意实时性。SLAM 里滤波不能太慢。我曾经用了一个很复杂的滤波算法，效果是好，但一帧要处理 500ms，直接让系统跑不动了。
好了，这一章就到这里。记住一句话：滤波是点云处理的「第一道关」，这道关把好了，后面就顺了。
可可精品资料库