1. 点云滤波概述
大家好，我是你们这门课的老朋友。今天咱们正式开篇，聊聊点云滤波。
说实话，我刚开始接触点云的时候，第一反应是：这玩意儿不就是一堆三维坐标点吗？有啥好处理的？直到我第一次拿着激光雷达扫出来的数据，打开可视化一看——好家伙，满屏的噪点、飞点，还有各种莫名其妙的离群值。那一刻我才明白，原始点云就像一块刚从矿里挖出来的原石，杂质太多，不经过打磨根本没法用。
点云滤波，说白了就是给这些三维点做一次「大扫除」。把没用的、错误的、冗余的点清理掉，留下干净、有代表性的数据。你想想看，如果直接拿原始数据去做配准、建图或者目标识别，结果大概率会翻车。
什么是点云滤波？
点云滤波，本质上是一系列对三维点集进行预处理的操作。它的目标很明确：提升数据质量，降低后续处理难度。
我习惯把滤波分成三大类：
- 去噪滤波——干掉那些因为传感器抖动、环境干扰产生的噪声点
- 下采样滤波——在保持形状特征的前提下，减少点的数量，降低计算量
- 离群点移除——剔除那些明显偏离主体点云的孤立点
嗯，这里要注意：这三种操作不是互斥的。实际项目中，我经常把它们组合起来用。比如先做离群点移除，再做下采样，最后做一次平滑去噪。顺序不同，效果差别还挺大的。
核心观点：滤波不是越狠越好。过度滤波会丢失细节，欠滤波又达不到效果。找到那个平衡点，才是真功夫。
为什么需要滤波？
这个问题，我当年在面试实习生的时候经常问。很多人答不上来，或者只给一个「为了去噪」的笼统回答。
其实原因很实在，我列几个场景你就明白了：
- 传感器天生有噪声——不管是机械式激光雷达还是固态雷达，受限于物理原理，总会引入一些随机误差。这些误差如果不处理，会直接污染后续的配准和建图结果。
- 数据量太大——一台64线激光雷达，一秒钟能产生上百万个点。你想想看，如果直接拿这些点去做SLAM，CPU直接冒烟。下采样就是为了在精度和效率之间找个平衡。
- 环境干扰——我在做室外项目时遇到过，下雨天激光雷达打出去的光束会被雨滴反射，产生大量飞点。这些点如果不滤掉，地图上全是「鬼影」。
- 边缘效应——物体边缘的点往往不稳定，同一个物体在不同帧里边缘点位置可能差好几厘米。滤波可以平滑掉这些不一致。
个人经验：我曾经在一个仓储机器人项目里，因为没做离群点移除，导致机器人把墙上的一个钉子误判成了障碍物，结果绕了一大圈。后来加了简单的统计滤波，问题直接解决。有时候，一个小滤波就能省下大麻烦。
典型应用场景
咱们具体看看滤波在实际中怎么用。我挑三个最常见的场景来讲：
1. 去噪
去噪是滤波里最基础的操作。常见的做法有：
- 体素滤波——把空间划分成小立方体，每个立方体里只保留一个代表点。既能去噪，又能下采样。
- 双边滤波——类似图像处理里的双边滤波，同时考虑空间距离和点云表面的法向量变化，适合平滑表面但不破坏边缘。
- 高斯滤波——对每个点的邻域做加权平均，权重由高斯分布决定。简单有效，但容易把边缘也磨平了。
举个例子，假设你有一组扫描出来的墙面点云，因为传感器抖动，墙面上有些点凹凸不平。用体素滤波处理一下，这些凹凸就会被平均掉，墙面变得平整。
# 伪代码示例：体素滤波
import open3d as o3d
pcd = o3d.io.read_point_cloud("wall.pcd")
# 设置体素大小为0.05米
voxel_size = 0.05
downsampled_pcd = pcd.voxel_down_sample(voxel_size)
o3d.visualization.draw_geometries([downsampled_pcd])2. 下采样
下采样的目的很单纯：减少点数，保留形状。
常用的方法：
- 体素下采样——上面提过，每个体素里取一个点。速度快，效果好。
- 随机下采样——随机扔掉一部分点。简单粗暴，但可能丢掉关键特征。
- 均匀下采样——保证采样后的点在空间上分布均匀，避免某些区域点太密、某些区域点太稀。
我记得有一次做室外大场景建图，原始点云有2000万个点，直接跑ICP配准，一次迭代要十几秒。后来用体素下采样降到200万个点，配准时间直接降到0.5秒以内，精度只损失了不到2%。这就是下采样的威力。
避坑指南：我曾经在室内小场景里用过大的体素尺寸，结果把墙角这种关键特征直接给滤没了。后来学乖了，体素大小一般设为点云平均点间距的2-3倍，效果比较稳妥。
3. 离群点移除
离群点，就是那些明显不属于主体点云的点。比如激光雷达打到玻璃上产生的反射点，或者远处飘来的噪声点。
最经典的方法是统计滤波：
- 对每个点，计算它到k个最近邻的平均距离
- 计算所有平均距离的均值和标准差
- 如果某个点的平均距离超过「均值 + n倍标准差」，就把它标记为离群点并移除
n一般取1到3之间。取1比较严格，会去掉很多点；取3比较宽松，只去掉极端离群点。
# 伪代码示例：统计滤波
import open3d as o3d
pcd = o3d.io.read_point_cloud("scene.pcd")
# 设置邻域点数为20，标准差倍数为2.0
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
filtered_pcd = pcd.select_by_index(ind)
o3d.visualization.draw_geometries([filtered_pcd])小技巧：如果你不确定参数怎么设，可以先可视化一下点云，看看离群点的分布情况。我一般先用默认参数跑一遍，然后根据结果微调。别一上来就追求完美，先跑起来再说。
知识体系总览
为了让你对本章内容有个整体印象，我画了一张图。这张图把点云滤波的核心脉络梳理清楚了：
这张图把本章的核心内容串起来了。你可以看到，三大类滤波方法各有侧重，但最终目标是一致的——让点云数据变得更干净、更高效、更可靠。
好了，第一章的内容就到这里。滤波这东西，光看理论是不够的，后面几章我会带你手把手写代码，把每个方法都跑一遍。到时候你会发现，原来滤波也可以这么有意思。
可可精品资料库