3. 体素滤波（VoxelGrid）：下采样原理、体素大小对点云密度的影响、参数选择策略

3.1 体素滤波到底在干什么？

体素滤波，说白了就是用一个个小立方体去“框”你的点云。

你想象一下，把整个三维空间切成无数个均匀的小格子。每个格子里可能有好几个点，也可能一个都没有。体素滤波要做的，就是每个格子里只保留一个点，其他的全扔掉。

这个“保留一个点”的方式，最常见的是取格子内所有点的重心。也有取中心点的，但我个人习惯用重心，因为更贴近原始数据的分布。

嗯，这里要注意：体素滤波不是简单的随机抽点。它是结构化的下采样，能很好地保留点云的几何形状。

3.2 体素大小——这个参数有多关键？

体素大小，就是那个小立方体的边长。它直接决定了你下采样后的点云长什么样。

我举个例子你就明白了：

• 体素太小（比如 0.01m）：每个格子几乎只框住一两个点，下采样效果微乎其微。点云还是那么密，计算量没降下来。
• 体素太大（比如 0.5m）：一个格子里可能框住几百上千个点，最后只保留一个。点云瞬间变得稀疏，细节全丢了。
• 体素适中（比如 0.05m）：既能有效降采样，又能保留主要结构。这是我最常用的范围。

3.3 体素大小对点云密度的影响——我踩过的坑

我在做室内SLAM的时候遇到过一个问题。当时用16线激光雷达扫描一个房间，原始点云大概有30万个点。我想着下采样到5万个点左右，就随手设了个0.1m的体素。

结果你猜怎么着？

输出点云只剩1.2万个了。墙面上的点稀稀拉拉，墙角都看不清楚了。后来我才意识到，室内环境点云分布不均匀——墙面上的点本来就密，一个0.1m的格子里可能框了50个点；而空旷区域点本来就少，一个格子里可能只有两三个点。

体素滤波对所有区域一视同仁，结果就是密集区域被过度下采样，稀疏区域反而保留得还行。

所以我的建议是：先看看你的点云密度分布。如果分布很不均匀，可以考虑分区域设置不同的体素大小。或者用自适应体素滤波，不过那是后话了。

3.4 参数选择策略——实战经验总结

体素大小怎么选？我一般按这个思路来：

1. 先看传感器：激光雷达的角分辨率决定了点云的基础密度。比如Velodyne VLP-16，水平分辨率0.1°-0.4°，在10米处点间距大概是1.7cm-7cm。体素大小至少要比这个间距大，否则没意义。
2. 再看应用场景：
   • 做配准（ICP、NDT）：体素可以大一点，0.1m-0.2m都行，关键是保留几何特征。
   • 做分割、识别：体素要小一点，0.02m-0.05m，细节不能丢。
   • 做实时SLAM：体素大小取决于你的算力。我一般从0.05m开始试，不行再调大。
3. 最后试出来：没有万能参数。我习惯先设一个值，跑一遍看看输出点云数量，再根据目标点数反推体素大小。

3.5 代码示例——PCL中的体素滤波

给你看一段我常用的代码：

// 创建体素滤波对象
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;

// 设置输入点云
voxel_filter.setInputCloud(input_cloud);

// 设置体素大小——这里我设0.05m
voxel_filter.setLeafSize(0.05f, 0.05f, 0.05f);

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

// 看看效果
std::cout << "原始点数: " << input_cloud->size() << std::endl;
std::cout << "滤波后点数: " << filtered_cloud->size() << std::endl;

这段代码很简单，但很实用。我每次做点云预处理都会用它。

3.6 体素滤波的核心逻辑——一张图看懂

下面这张图展示了体素滤波的完整流程：

3.7 避坑指南——我曾经犯过的错

3.8 什么时候该用体素滤波？

说实话，体素滤波不是万能的。我一般这么判断：

场景	推荐使用	原因
点云配准前预处理	✅ 强烈推荐	减少计算量，同时保留几何结构
实时SLAM前端	✅ 推荐	控制帧率，保证实时性
点云分类/分割	⚠️ 谨慎使用	体素太大可能丢失细节特征
高精度三维重建	❌ 不推荐	会丢失边缘和细节信息

嗯，总结一下：体素滤波是点云处理的基本功。参数调优没有捷径，多试几次，多看看输出效果，慢慢就有感觉了。