3. 点云滤波与降噪：统计滤波、半径滤波与体素滤波

点云数据这东西，说白了就是一堆三维坐标点。但现实世界没那么干净——激光扫描仪会打到玻璃上产生飞点，深度相机在边缘处会冒出噪点，甚至风吹起的灰尘都能被记录下来。我刚开始做点云处理那会儿，拿到的数据经常是「满天星」，不处理根本没法用。

所以滤波和降噪，是点云处理的第一步，也是最重要的一步。今天咱们就聊三种最常用的方法：统计滤波、半径滤波和体素滤波。

3.1 统计滤波（Statistical Outlier Removal）

统计滤波的思路很直观：每个点周围应该有一定数量的邻居。如果一个点离它的邻居们太远，那它大概率是个噪点。

具体做法是这样的：

1. 对每个点，计算它到所有 k 个最近邻的平均距离。
2. 所有点的平均距离会形成一个分布（近似高斯分布）。
3. 设定一个标准差倍数 threshold（比如 1.0 或 2.0）。
4. 平均距离超过 μ + threshold × σ 的点，被判定为离群点，剔除。

我在项目中遇到过这样的情况：用地面激光扫描仪采集古建筑数据时，总有一些飘在空中的点——那是飞虫或者灰尘。统计滤波一上，干净利落。但要注意，如果场景本身就有稀疏结构（比如电线杆），别把人家正常点也给滤掉了。

// C++ PCL 示例：统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(30);          // 邻域点数 k = 30
sor.setStddevMulThresh(1.5); // 标准差倍数 1.5
sor.filter(*cloud_filtered);

3.2 半径滤波（Radius Outlier Removal）

半径滤波的逻辑更简单粗暴：以每个点为中心，画一个半径为 r 的球。球里面的邻居数如果少于某个阈值 min_pts，就把这个点干掉。

你想想看，一个孤立噪点周围通常没几个点，而正常点周围应该有不少邻居。这就是半径滤波的直觉。

特性	统计滤波	半径滤波
判断依据	距离分布的统计量	固定半径内的点数
对密度变化	敏感	不敏感（半径固定）
参数数量	2 个（k, std_mult）	2 个（r, min_pts）
典型场景	均匀密度 + 稀疏离群点	密度不均 + 孤立小簇

我曾经在一个工厂自动化项目里用过半径滤波。当时点云来自多个角度拼接，边缘处总有一些「飘」出来的点。统计滤波效果一般，因为边缘点密度本身就不均匀。换成半径滤波，设半径 0.05 米、最少 3 个点，问题就解决了。

// C++ PCL 示例：半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.05);   // 搜索半径 0.05 米
ror.setMinNeighborsInRadius(3); // 最少 3 个邻居
ror.filter(*cloud_filtered);

3.3 体素滤波（Voxel DownSample）

体素滤波和前两个不太一样——它不只是去噪，更主要的是降采样。但为什么把它放在滤波章节？因为体素滤波在降采样的同时，天然有平滑噪声的效果。

原理很简单：

1. 把三维空间划分成一个个小立方体（体素），边长由你指定。
2. 每个体素内，计算所有点的重心（或中心），用这个点代表整个体素。
3. 原始点云被大幅精简，同时局部噪声被平均掉了。

我记得有一次处理一个 2000 万点的户外场景，直接做配准，内存直接爆了。体素滤波设成 0.1 米的体素大小，点云降到 50 万点，配准速度提升了 40 倍，精度几乎没损失。

// C++ PCL 示例：体素滤波
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud);
vg.setLeafSize(0.05f, 0.05f, 0.05f); // 体素边长 5cm
vg.filter(*cloud_filtered);

3.4 三种滤波的对比与组合策略

实际项目中，很少只用一种滤波。我个人的习惯流程是这样的：

1. 先体素滤波：把数据量降下来，同时初步平滑噪声。
2. 再统计滤波或半径滤波：根据场景特点，剔除离群点。
3. 最后再检查：可视化看一眼，确认没有误删关键点。

场景	推荐组合	说明
室内小物体扫描	体素(0.01) + 统计滤波(k=20, std=1.5)	保留细节，剔除飞点
户外大场景	体素(0.1) + 半径滤波(r=0.2, min=5)	大幅降采样，剔除孤立点
机器人导航	半径滤波(r=0.05, min=3)	实时性要求高，不降采样
高精度配准	统计滤波(k=50, std=2.0)	保守滤波，保留更多点

嗯，这里要注意一点：滤波不是越狠越好。我见过有人把体素设到 0.5 米，结果一堵墙变成几个点，配准直接失败。滤波的目的是「去伪存真」，不是「削足适履」。