一、点云滤波概述

大家好，我是你们这门课的主讲。在3D视觉这个行当摸爬滚打了快十年，处理过的点云数据少说也有几百T了。今天咱们来聊聊点云滤波——这个看似基础、实则暗藏玄机的话题。

说实话，我刚入行那会儿，觉得滤波不就是把噪点去掉嘛，有啥好学的？直到有一次做室外SLAM，激光雷达扫出来的点云全是飞点，定位直接飘到天上去...嗯，从那以后我再也不敢小看滤波这步了。

什么是点云滤波？

点云滤波，说白了就是对原始点云数据做「清洗」和「整理」。你想想看，传感器采集回来的原始点云，就像刚从泥地里挖出来的土豆——带着土、带着根、还有烂的。滤波就是把这些脏东西挑出去，把好的留下来。

具体来说，滤波做的事情包括：

• 去噪：干掉那些明显不合理的离群点
• 下采样：点太多算不动？那就抽稀一下
• 上采样：点太少不够用？那就补一些
• 平滑：让表面更光滑，减少测量噪声
• 裁剪：只保留感兴趣区域内的点

为什么需要滤波？

我经常被学生问：老师，现在的激光雷达精度都毫米级了，还需要滤波吗？

答案是：需要，而且非常需要。原因有三：

1. 传感器不完美：再贵的激光雷达，遇到雨雪雾天、强光反射，照样出噪点。我测试过某款32线雷达，在雨天噪点率能到15%以上。
2. 环境复杂：玻璃会透射、镜面会反射、树叶会晃动...这些都会产生「假点」。
3. 算力有限：原始点云动辄几十万甚至上百万点，直接处理？你的GPU会哭的。

滤波在SLAM/三维重建中的角色

滤波在SLAM和三维重建里，扮演的角色其实挺微妙的。它不像前端配准那么「显眼」，但少了它，整个系统可能直接崩掉。

应用场景	滤波的作用	不滤波的后果
SLAM前端	去除动态物体、离群点	特征匹配错误，位姿估计飘移
SLAM后端	关键帧点云降采样	图优化计算量爆炸
三维重建	平滑表面、去除飞点	模型表面坑坑洼洼，无法使用
语义分割	下采样+去噪	分割精度下降，过分割严重

举个例子。我在做室内三维重建时，用深度相机扫了一个玻璃茶几。原始点云里，茶几表面全是空洞和噪点——因为玻璃透光了。如果不做滤波，重建出来的模型就像被狗啃过一样。后来用了统计滤波+孔洞修补，效果才勉强能看。

常见噪声类型分析

搞点云这么多年，我总结了一下，常见的噪声大概分这么几类：

1. 离群点（Outliers）

这是最常见的噪声。就是那些孤零零飘在空中的点，跟周围点完全不搭边。产生原因很多：传感器误触发、多路径反射、运动模糊等等。

2. 高斯噪声

这种噪声比较「温柔」，每个点的位置都有微小偏移，整体呈高斯分布。主要来自传感器的热噪声、量化误差。嗯，这种噪声最难处理，因为它跟真实数据混在一起。

3. 混叠噪声

这个在TOF相机里特别常见。当多个物体的回波混在一起时，测距值就会出错。我见过最夸张的案例——一个墙角扫出来，点云直接「穿透」到墙后面去了。

4. 运动畸变

旋转式激光雷达在运动时，每一帧的点云其实是在不同时刻采集的。如果不做运动补偿，点云就会「扭曲」。这在SLAM里是个大坑，我曾经踩过。

本章知识体系

为了让大家更直观地理解，我画了一张图：

这张图把本章的核心内容串起来了。你可以看到，滤波不是孤立的技术，它跟传感器特性、应用场景、噪声类型都紧密相关。选什么滤波算法，取决于你面对的是什么噪声、用在什么场景。

好了，这一章就到这里。滤波的世界很大，咱们后面慢慢聊。