📚 课程目录第2章点云预处理

点云预处理：从原始数据到可用资产

拿到一坨原始点云，别急着往上怼配准算法。我见过太多新手直接拿原始数据跑 ICP，结果要么跑飞，要么卡死。点云预处理，说白了就是把传感器采回来的「毛坯房」装修成能住人的「精装房」。这一步做不好，后面全是白搭。

今天咱们就聊透这五个核心操作：体素滤波、统计滤波、半径滤波、直通滤波，还有法向量估计。每个我都踩过坑，咱们边讲边聊。

1. 体素滤波降采样：给点云「减肥」

激光扫描仪一开，动辄几百万个点。你想想看，一个平面有1000个点和有100个点，对配准精度影响其实不大，但计算量差了一个数量级。体素滤波就是干这个的——在保持形状的前提下大幅减少点数。

原理很简单：把空间切成一个个小立方体（体素），每个体素里只保留一个重心点。体素边长越大，降采样越狠。

关键参数：leaf_size

这个值决定了体素边长。我个人的经验是：对室内场景设 0.01m~0.02m，室外大场景设 0.05m~0.1m。设太小没效果，设太大把特征都磨平了。

import open3d as o3d

pcd = o3d.io.read_point_cloud("raw_scan.ply")
print(f"原始点数: {len(pcd.points)}")

# 体素滤波，leaf_size=0.02m
voxel_pcd = pcd.voxel_down_sample(voxel_size=0.02)
print(f"降采样后: {len(voxel_pcd.points)}")

我的小技巧：降采样后的点云记得保存一份。调试配准参数时，先用降采样后的数据跑，参数调好了再用全量数据做最终结果。能省你大把时间。

2. 统计滤波去噪：干掉「飘在空中的点」

原始点云里总有些莫名其妙的离群点——可能是飞鸟、可能是多路径反射、也可能是传感器本身的噪声。统计滤波就是用来收拾这些「不守规矩」的点的。

它的逻辑是：每个点周围找 k 个邻居，算平均距离。如果这个距离比全局均值大出好几个标准差，那这个点就是离群点，干掉它。

参数	含义	推荐值
k	邻居点数	20~50
std_ratio	标准差倍数阈值	1.0~2.0

# 统计滤波去噪
cl, ind = voxel_pcd.remove_statistical_outlier(
    nb_neighbors=20, 
    std_ratio=2.0
)
clean_pcd = voxel_pcd.select_by_index(ind)
print(f"去噪后点数: {len(clean_pcd.points)}")

我曾经踩过的坑：std_ratio 设太小（比如 0.5），会把正常的地面点也干掉，点云变得坑坑洼洼。设太大（比如 3.0），离群点又清不干净。我一般从 2.0 开始试，看效果再调。

3. 半径滤波去噪：另一种思路

统计滤波看的是「距离分布」，半径滤波看的是「密度」。每个点周围画个球，如果球里的邻居数少于某个阈值，就认为这个点是孤立的，删掉。

什么时候用半径滤波？我个人习惯是：当点云密度不均匀时，半径滤波比统计滤波更稳。比如车载激光雷达扫到的地面点很密，远处物体点很疏——统计滤波容易把远处的正常点误删，半径滤波反而能保留它们。

# 半径滤波去噪
cl, ind = clean_pcd.remove_radius_outlier(
    nb_points=6, 
    radius=0.05
)
final_pcd = clean_pcd.select_by_index(ind)

滤波方式	适用场景	缺点
统计滤波	均匀密度、全局离群点	密度不均时误删
半径滤波	密度不均、局部孤立点	参数对半径敏感

我的建议：两个滤波可以串着用。先统计滤波清掉大离群点，再半径滤波清掉小孤立点。但别过度滤波，点云太稀疏了配准精度反而下降。

4. 直通滤波：一刀切掉不要的区域

直通滤波是预处理的第一步。说白了就是：设定一个坐标轴的范围，范围外的点全部砍掉。

比如你只关心地面以上 2 米内的物体，那就设 z 轴范围 [0, 2]。或者你只想要 x 方向 10~20 米之间的点，那就切一刀。

# 直通滤波：只保留 z 在 0~2m 之间的点
z_mask = (np.asarray(final_pcd.points)[:, 2] > 0) & \
         (np.asarray(final_pcd.points)[:, 2] < 2.0)
filtered_pcd = final_pcd.select_by_index(np.where(z_mask)[0])

为什么先做直通滤波？

因为体素滤波和统计滤波都要遍历所有点。先把无关区域切掉，数据量小了，后面操作就快。我一般拿到点云第一件事就是切 ROI（感兴趣区域）。

5. 点云法向量估计：给点云「指明方向」

法向量是点云最重要的局部特征之一。配准、分割、曲面重建，哪哪都离不开它。法向量估计的核心思路：对每个点，用它的 k 个邻居拟合一个平面，平面的法线就是该点的法向量。

嗯，这里要注意：法向量有方向歧义——同一个平面，法线可以朝上也可以朝下。所以估计完还要做「法向量定向」，让所有法线朝向一致（通常朝向视点方向）。

# 法向量估计
filtered_pcd.estimate_normals(
    search_param=o3d.geometry.KDTreeSearchParamHybrid(
        radius=0.1, 
        max_nn=30
    )
)

# 定向到视点（默认是原点）
filtered_pcd.orient_normals_towards_camera_location(
    camera_location=np.array([0, 0, 0])
)

参数	含义	影响
radius	搜索半径	半径越大，法向量越平滑
max_nn	最大邻居数	限制计算量，防止过密区域卡死

我曾经翻车的一次经历：在边缘和尖锐棱角处，法向量估计会「打架」。比如桌子的棱边，左边邻居拟合的法线朝左，右边邻居拟合的法线朝右，结果棱边上的法向量忽左忽右。后来我加了双边滤波做平滑，才把这个问题压下去。后面章节会细讲。

小结一下

预处理这五步，顺序很重要。我个人的标准流程是：

直通滤波——先切 ROI，减少数据量
体素降采样——均匀稀疏化，保持形状
统计滤波——清掉大离群点
半径滤波——补刀小孤立点
法向量估计——为配准做准备

当然，具体场景可以灵活调整。比如点云已经很干净了，滤波可以跳过。但法向量估计基本是必做的——没有法向量，很多配准算法根本跑不起来。