4. 点云滤波进阶：半径滤波、条件滤波、双边滤波的适用场景

各位同学，欢迎来到点云滤波的进阶篇。上一章我们聊了体素滤波和统计滤波，算是把基础打牢了。今天要讲的这三个滤波器——半径滤波、条件滤波、双边滤波——说实话，是我在实际项目中用得最频繁的三个工具。它们各有各的脾气，用对了地方，效果立竿见影；用错了，那就是给自己挖坑。

我个人习惯把这三个滤波器分成两类：几何约束型和特征保持型。半径滤波和条件滤波属于前者，双边滤波属于后者。为什么这么分？你往下看就明白了。

4.1 半径滤波（RadiusOutlierRemoval）

先说说半径滤波。这个名字很直白——以每个点为中心，画一个半径为r的球，数一数球里面有多少个邻居。如果邻居数量少于某个阈值，就把这个点干掉。

说白了，它就是用来剔除那些「孤零零」的点的。

核心思想： 一个点如果周围太冷清，那它大概率是噪声。

我在项目中遇到过这样一个场景：用激光雷达扫描一个仓库，结果发现点云里有很多飘在空中的孤立点。这些点是怎么来的？可能是灰尘、飞虫，或者是雷达本身的反射噪声。用统计滤波也能处理，但统计滤波对整体分布敏感，有时候会把边缘的合法点也误删了。半径滤波就不一样，它只看局部密度，非常直接。

适用场景：

剔除稀疏的离群点（比如飞虫、灰尘）
点云密度不均匀时的局部去噪
作为预处理步骤，为后续分割或聚类做准备

参数怎么调？ 我一般先看点云的平均密度。比如用体素网格估算一下，然后设定半径r为平均点间距的2-3倍，邻居阈值设为3-5。当然，这只是一个起点，具体还得看你的数据。

// PCL 中的半径滤波示例
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.8);   // 搜索半径 0.8 米
ror.setMinNeighborsInRadius(2); // 至少要有2个邻居
ror.filter(*cloud_filtered);

小技巧： 如果你不确定半径设多少，可以先用体素滤波把点云降采样到均匀密度，然后再做半径滤波。这样参数更容易调。

4.2 条件滤波（ConditionalRemoval）

条件滤波就更有意思了。它不像半径滤波那样依赖几何关系，而是直接对点的属性做判断。比如，我只保留z坐标在0.5到2.0米之间的点，或者只保留反射强度大于某个阈值的点。

你想想看，这在实际工程中多有用。我记得有一次做路沿检测，点云里有很多地面点干扰。我直接用条件滤波，设定一个高度范围，把地面以上的点全留下来，地面以下的统统去掉。效果立竿见影。

适用场景：

基于高度、强度、距离等属性做快速过滤
提取感兴趣区域（ROI）
多传感器融合时的数据对齐预处理

条件滤波的写法也很灵活。你可以组合多个条件，用AND或OR连接。比如「高度在1米以上 AND 反射强度大于50」。

// PCL 中的条件滤波示例
pcl::ConditionAnd<pcl::PointXYZI>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZI>());
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZI>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZI>("z", pcl::ComparisonOps::GT, 0.5)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZI>::ConstPtr(
    new pcl::FieldComparison<pcl::PointXYZI>("z", pcl::ComparisonOps::LT, 2.0)));

pcl::ConditionalRemoval<pcl::PointXYZI> condrem;
condrem.setCondition(range_cond);
condrem.setInputCloud(cloud);
condrem.filter(*cloud_filtered);

注意： 条件滤波不会改变点的位置，它只是做筛选。如果你需要同时做几何变换，记得先滤波再变换，或者先变换再滤波，顺序不同结果可能差很多。

4.3 双边滤波（Bilateral Filter）

终于聊到双边滤波了。这个滤波器在图像处理领域大名鼎鼎，但在点云里用的人相对少一些。为什么？因为它计算量大，而且参数敏感。

但它的效果是真的好。双边滤波的核心思想是：既要考虑空间距离，又要考虑特征差异。比如在点云里，空间上离得近的点，如果法向量差异很大，那它们很可能属于不同物体，滤波时就不应该互相平滑。

说白了，双边滤波能在去噪的同时保留边缘。这对我们做感知来说太重要了——你想想，如果为了去噪把物体的边缘都磨平了，那后续的目标检测还怎么做？

适用场景：

高精度去噪，同时保留物体边缘
点云平滑，但不希望丢失细节特征
作为感知融合的前处理，提升后续算法的鲁棒性

我曾经在一个自动驾驶项目中用过双边滤波。当时激光雷达的点云噪声很大，但路沿和车辆边缘必须清晰保留。统计滤波和半径滤波都试过，要么去噪不彻底，要么边缘被磨没了。最后是双边滤波搞定的。嗯，这里要注意，双边滤波的参数——空间标准差σ_s和特征标准差σ_r——需要仔细调。σ_s控制空间上的影响范围，σ_r控制特征上的敏感度。我一般先固定σ_s为点云平均间距的2倍，然后调σ_r，从0.1开始试。

// PCL 中的双边滤波示例（需要法向量）
pcl::BilateralFilter<pcl::PointXYZI> bf;
bf.setInputCloud(cloud);
bf.setHalfSize(0.5);        // 空间搜索半径
bf.setStdDev(0.2);          // 特征标准差
bf.filter(*cloud_filtered);

经验之谈： 双边滤波对法向量质量很敏感。如果你的点云法向量算得不准，双边滤波的效果会大打折扣。建议先做一次法向量重估计，或者用更鲁棒的法向量估计算法。

4.4 三种滤波器的对比与选择

好了，三种滤波器都讲完了。我们来做个对比，方便你以后选型。

滤波器	核心原理	适用场景	计算开销	参数敏感性
半径滤波	基于局部密度	稀疏离群点剔除	低	中等
条件滤波	基于属性阈值	ROI提取、属性筛选	极低	低
双边滤波	空间+特征联合	边缘保持去噪	高	高

我个人建议的选型思路是这样的：

如果只是要去掉明显的孤立噪声，半径滤波就够了，别折腾。
如果需要按属性筛选点云（比如只保留某个高度范围），条件滤波是最快的。
如果既要降噪又要保留细节，那就上双边滤波，但要做好调参的心理准备。

最后，我画了一张图，帮你理清这三种滤波器的核心逻辑和适用关系。

好了，这一章的内容就到这里。三种滤波器各有千秋，关键是要理解它们的原理和适用场景。下次你在项目中遇到点云噪声，不妨先问问自己：这个噪声是孤立的还是连续的？我需要保留边缘吗？想清楚了再选滤波器，事半功倍。

可可精品资料库

📚 课程目录

4. 点云滤波进阶：半径滤波、条件滤波、双边滤波的适用场景

4.1 半径滤波（RadiusOutlierRemoval）

4.2 条件滤波（ConditionalRemoval）

4.3 双边滤波（Bilateral Filter）

4.4 三种滤波器的对比与选择