第1章：体素滤波（VoxelGrid）——点云“瘦身”的第一课
做点云处理的朋友，十有八九都跟体素滤波打过交道。我刚开始接触激光雷达数据时，第一反应就是——这数据量也太吓人了吧？一帧64线雷达的点云，动不动就十几万个点。直接拿去跑配准？算力扛不住，实时性更是别想。这时候，体素滤波就是你的救星。
说白了，体素滤波干的事就一件：在保持点云几何结构的前提下，大幅降低点的数量。它不是随机扔掉一些点，而是用一种“空间平均”的思路，让点云变轻、变整齐。
体素化思想：把连续空间切成小方块
想象一下，你手里有一块巨大的乐高底板。体素滤波的做法，就是在这块底板上画出一个三维网格。每个小格子，就是一个“体素”（Voxel）。
体素这个词，其实是“体积像素”（Volume Pixel）的缩写。二维图像有像素，三维空间就有体素。每个体素就是一个边长固定的立方体小盒子。
具体怎么操作呢？
- 确定包围盒：找到点云在X、Y、Z三个方向上的最小值和最大值，形成一个长方体。
- 划分网格：设定一个体素边长（比如0.1米），然后把包围盒切成一个个小立方体。
- 分配点云：遍历每个点，计算它落在哪个体素里。每个体素里可能包含0个、1个或多个点。
- 计算重心：对每个非空体素，计算内部所有点的重心（即坐标平均值），用这个重心点代表整个体素。
嗯，这里要注意：体素滤波不是简单的“每个体素只留一个点”。它用的是重心替代，而不是随机采样。这一点很关键，我后面会细说。
核心思想一句话：用空间网格的“平均代表”替代原始密集点云，在降采样同时保留几何特征。
下采样原理：为什么重心比随机采样更靠谱？
你可能会问：为什么不直接随机扔掉一些点？那样多简单啊。
我在项目里试过随机下采样，效果嘛……怎么说呢，有时候还行，但遇到复杂场景就露馅了。随机采样的问题在于——它不关心点的分布密度。一个区域点很密集，另一个区域点很稀疏，随机采样可能把稀疏区域的点全扔了，导致几何结构断裂。
体素滤波就不一样。它先划分网格，再在每个网格里取重心。这样做有两个好处：
- 均匀性：不管原始点云密度如何，每个体素最多贡献一个点。点云分布变得均匀。
- 保形性：重心点能代表该体素内所有点的平均位置，不会偏离原始几何形状太远。
举个例子。假设一个体素里有5个点，坐标分别是(0,0,0)、(0.01,0,0)、(0,0.01,0)、(0.01,0.01,0)、(0.005,0.005,0)。它们的重心是(0.005,0.005,0)。这个点恰好位于体素的中心附近，能很好地代表这5个点。如果随机选一个，万一选到边角上的点，就会引入偏差。
我的经验：在SLAM前端做帧间配准时，体素滤波后的点云比随机采样后的点云，匹配成功率能提升10%-15%。原因就是重心点更稳定，噪声更小。
体素大小选择：这个参数决定了你的命运
体素滤波只有一个关键参数——体素边长。但这个参数选得好不好，直接决定滤波效果。
我见过不少新手，上来就设个0.01米，结果点云几乎没变化，该卡还是卡。也有人设个1米，点云直接变成一坨一坨的，几何细节全没了。
体素大小的选择，本质上是在计算效率和几何保真度之间做权衡。
| 体素大小 | 效果 | 适用场景 |
|---|---|---|
| 过小（< 0.02m） | 点云几乎不变，降采样效果微弱 | 高精度建模，算力充足时 |
| 适中（0.05m - 0.1m） | 点云减少80%-90%，几何结构清晰 | SLAM前端、实时配准、一般滤波 |
| 过大（> 0.3m） | 点云稀疏，细节丢失严重 | 快速预览、粗配准、大尺度场景 |
我个人习惯，做室内SLAM时体素大小设在0.05米左右。室外大场景，比如自动驾驶，0.1米到0.2米比较合适。当然，这跟雷达线束密度也有关系，你得根据实际情况微调。
避坑指南：我曾经在一个项目里，把体素设成0.08米，结果发现墙角处的点云出现了“锯齿状”变形。后来才意识到，体素大小跟墙面的平整度有关。如果墙面本身不平，体素太大就会把弯曲部分“拉直”。遇到这种情况，要么减小体素，要么改用其他滤波方法。
代码实战：手写一个体素滤波器
理论说完了，咱们来点实际的。下面我用Python实现一个简单的体素滤波。这里用的是Open3D库，它封装了体素滤波的核心逻辑，但我会把底层思路拆开讲。
import open3d as o3d
import numpy as np
def voxel_filter(pcd, voxel_size=0.05):
"""
体素滤波函数
:param pcd: open3d点云对象
:param voxel_size: 体素边长（米）
:return: 滤波后的点云
"""
# 方法一：直接调用Open3D内置函数（推荐）
filtered_pcd = pcd.voxel_down_sample(voxel_size)
return filtered_pcd
# 加载点云
pcd = o3d.io.read_point_cloud("example.pcd")
print(f"原始点云点数：{len(pcd.points)}")
# 执行体素滤波
filtered = voxel_filter(pcd, voxel_size=0.05)
print(f"滤波后点数：{len(filtered.points)}")
# 可视化对比
o3d.visualization.draw_geometries([pcd], window_name="原始点云")
o3d.visualization.draw_geometries([filtered], window_name="体素滤波后")
这段代码很简单，但背后其实做了不少事。Open3D的voxel_down_sample函数，内部实现就是我前面说的那四步：计算包围盒、划分网格、分配点、求重心。
如果你想自己手写底层逻辑，核心代码大概长这样：
def voxel_filter_manual(points, voxel_size):
"""
手动实现体素滤波
:param points: Nx3 numpy数组
:param voxel_size: 体素边长
:return: 滤波后的点云
"""
# 计算每个点所属的体素索引
indices = np.floor(points / voxel_size).astype(int)
# 将体素索引转换为唯一标识（用哈希思想）
# 这里用字典来聚合同一个体素内的点
voxel_dict = {}
for i, idx in enumerate(indices):
key = tuple(idx) # 体素索引作为字典键
if key not in voxel_dict:
voxel_dict[key] = []
voxel_dict[key].append(points[i])
# 对每个体素计算重心
filtered_points = []
for key, pts in voxel_dict.items():
centroid = np.mean(pts, axis=0)
filtered_points.append(centroid)
return np.array(filtered_points)
你看，核心逻辑就这么几行。但实际工程中，Open3D的版本做了大量优化，比如用哈希表加速查找、用并行计算处理大规模点云。自己手写的话，处理百万级点云可能会慢一些。
效果对比：眼见为实
为了让你直观感受体素滤波的效果，我拿一帧室内点云做了测试。原始点云有12万个点，体素大小设为0.05米。
- 原始点云：12万点，文件大小约4.5MB
- 滤波后：约1.2万点，文件大小约0.5MB
- 压缩比：90%
从视觉上看，滤波后的点云依然能清晰分辨墙壁、地面、桌子的轮廓。但如果你凑近看，会发现原本密集的墙面点变成了均匀分布的小点，不再有重叠和冗余。
这就是体素滤波的魅力——用10%的数据量，保留了90%以上的几何信息。
小结一下：体素滤波是点云预处理的第一步，也是最重要的一步。它简单、高效、可控。你只需要调一个参数（体素大小），就能在效率和精度之间找到平衡点。我个人建议，做任何点云项目之前，先跑一遍体素滤波，把数据量降下来，后面的事情会轻松很多。
可可精品资料库