一、点云滤波概述

大家好，我是你们这门课的主讲。做了这么多年点云处理和SLAM，我越来越觉得滤波这东西，看着简单，用好了是真功夫。今天咱们就来聊聊点云滤波到底是个啥，它在SLAM和三维重建里扮演什么角色，以及常见的算法都有哪些。

1.1 点云滤波的定义

说白了，点云滤波就是对原始点云数据做「清洗」和「整理」。你想想看，激光雷达扫出来的点云，里面啥都有——噪声点、离群点、冗余点，甚至还有飞鸟和灰尘反射回来的假点。滤波的目的，就是把这些乱七八糟的东西去掉，只留下我们真正需要的、干净的点云。

我习惯把滤波理解成「筛子」。不同的筛子孔径不同，筛出来的东西也不一样。有的筛子专门筛掉远处的稀疏点，有的筛子专门保留地面的点，还有的筛子能把点云变稀疏，让计算更快。

1.2 点云滤波在SLAM与三维重建中的作用

我在做SLAM项目时，遇到过最头疼的问题就是——点云太脏了。你想想，如果输入的数据本身就带着大量噪声，那后面的配准、建图、回环检测，全都会跟着跑偏。滤波在这里的作用，我总结为三点：

• 提升精度：去掉噪声点，让点云配准更准。我记得有一次做室内SLAM，没滤波前轨迹误差有30厘米，加了体素滤波和统计滤波后，误差直接降到了5厘米以内。
• 降低计算量：原始点云动不动就几百万个点，直接处理的话，CPU和内存都扛不住。滤波可以把点云压缩到几万个点，计算速度提升几十倍。
• 去除干扰：比如移动的物体、镜面反射点、空气中的悬浮颗粒。这些干扰点如果不处理，建出来的地图全是鬼影。

在三维重建里，滤波的作用更明显。你想想看，重建一个物体，如果点云里有离群点，重建出来的模型表面就会凹凸不平，甚至出现破洞。滤波就是给点云「美容」的过程。

1.3 常见点云滤波算法分类

常见的滤波算法，我按功能分了四大类。每一类都有它的适用场景，咱们一个一个说。

分类	代表算法	主要用途	我的评价
降采样滤波	体素滤波、均匀采样	减少点云数量，降低计算量	最常用，几乎每个项目都会用
去噪滤波	统计滤波、半径滤波	去除离群点和噪声点	SLAM中必用，能显著提升精度
条件滤波	直通滤波、条件滤波	保留指定范围内的点	适合提取ROI区域
平滑滤波	移动最小二乘、双边滤波	平滑点云表面，减少毛刺	三维重建中常用

嗯，这里要注意，这些算法不是互斥的。实际项目中，我通常会把它们组合起来用。比如先做直通滤波，把范围外的点切掉；再做体素滤波，把点云变稀疏；最后做统计滤波，把离群点干掉。这一套组合拳打下来，点云质量基本就稳了。

知识体系总览

下面这张图，是我自己梳理的点云滤波知识体系。你可以把它当成一个地图，后面每讲一个算法，都能在这张图上找到它的位置。

这张图把点云滤波的四大分类、代表算法和应用场景串在了一起。你可以看到，降采样和去噪是SLAM中最常用的，而平滑滤波更多用在三维重建的后期。条件滤波则像个「剪刀」，帮你把感兴趣的区域切出来。

好了，这一章的内容就到这里。点云滤波的定义、作用和分类，咱们都捋了一遍。后面几章，我会带着大家一个一个算法地啃，从原理到代码，再到实际项目中的调参经验，全都会讲到。

可可精品资料库