4、点云预处理（上）：体素滤波降采样、统计滤波去噪、半径滤波去噪
各位同学，咱们今天聊聊点云预处理。说实话，很多刚入行的朋友拿到点云数据，上来就急着做分割、做识别。我当年也犯过这个错——结果呢？数据量太大，算法跑不动；噪声太多，分割结果一塌糊涂。后来我学乖了：预处理做得好，后面事半功倍。
点云预处理说白了就两件事：降采样和去噪。降采样是为了减少数据量，去噪是为了提高数据质量。今天咱们先讲三个最常用的方法：体素滤波、统计滤波、半径滤波。
核心思路：原始点云数据往往包含几十万甚至上百万个点，直接处理计算量太大。而且传感器采集时难免引入噪声。预处理就是要在保留几何结构的前提下，把数据量降下来、把噪声去掉。
4.1 体素滤波降采样
体素滤波，名字听着高大上，其实原理特别简单。你想象一下，把三维空间切成一个个小立方体，就像把一块豆腐切成骰子块。每个小立方体就是一个体素（Voxel）。
具体怎么做呢？对于每个体素内部的所有点，只保留一个点——通常是这个体素内所有点的重心（质心）。这样一来，原本密密麻麻的点云就变得稀疏了，但整体的几何形状基本不变。
我的经验：体素大小的选择很关键。设得太小，降采样效果不明显；设得太大，会丢失细节。我个人习惯先设一个0.05m（5厘米）试试，然后根据效果调整。在自动驾驶场景中，0.1m到0.2m的体素尺寸比较常见。
来看代码实现，我用的是PCL（Point Cloud Library）：
// C++ PCL 体素滤波示例
#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud_input);
// 设置体素尺寸：0.1m x 0.1m x 0.1m
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*cloud_filtered);
std::cout << "降采样前: " << cloud_input->size() << " 个点" << std::endl;
std::cout << "降采样后: " << cloud_filtered->size() << " 个点" << std::endl;运行这段代码，你会发现点数量可能从几十万降到几万。嗯，效果立竿见影。
注意：体素滤波会改变点的精确位置（因为用的是重心）。如果你的应用对点云位置精度要求极高（比如高精度测绘），需要谨慎使用。我曾经在一个桥梁检测项目中，因为体素设得太大，把一条细微的裂缝给"滤"没了……从那以后，我每次都会先可视化检查一下降采样结果。
4.2 统计滤波去噪
统计滤波，说白了就是"看邻居"。对于点云中的每个点，计算它到所有邻居点的平均距离。如果这个平均距离明显大于全局的平均水平，那这个点就很可能是噪声。
为什么会这样？你想想看，正常的物体表面，点与点之间分布比较均匀，距离差不多。但噪声点往往是孤立的，它周围没什么点，所以平均距离会偏大。
具体步骤是这样的：
- 对每个点，找到它的k个最近邻（k由你设定）
- 计算该点到这k个邻居的平均距离
- 计算所有点平均距离的均值和标准差
- 设定一个阈值（通常是均值 + n倍标准差），超过阈值的点被判定为噪声
看代码：
// PCL 统计滤波
#include <pcl/filters/statistical_outlier_removal.h>
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> stat_filter;
stat_filter.setInputCloud(cloud_input);
// 设置邻居点个数
stat_filter.setMeanK(50);
// 设置标准差倍数阈值（常用1.0~2.0）
stat_filter.setStddevMulThresh(1.5);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
stat_filter.filter(*cloud_filtered);关键参数：
- setMeanK(k)：邻居点数量。k越大，对局部密度的估计越平滑，但计算越慢。我一般设50~100。
- setStddevMulThresh(n)：标准差倍数。n越小，剔除的点越多（更严格）。1.0~2.0是比较常用的范围。
我记得有一次处理激光雷达采集的户外点云，里面有很多飞鸟造成的噪点。用统计滤波，设k=30、阈值1.2，一下就把那些飞鸟点全去掉了，而地面和建筑物的点完好无损。这就是统计滤波的厉害之处——它自适应于点云的局部密度。
4.3 半径滤波去噪
半径滤波的思路更直接：以每个点为中心，画一个半径为r的球。如果球内的邻居点数量少于某个阈值，就把这个点删掉。
说白了就是：你周围连几个邻居都没有，那你八成是个孤立的噪声点，走你！
这个方法特别适合去除那种稀疏的、孤立的离群点。比如传感器偶尔产生的"飞点"——莫名其妙出现在半空中的一个点，周围啥也没有。
// PCL 半径滤波
#include <pcl/filters/radius_outlier_removal.h>
pcl::RadiusOutlierRemoval<pcl::PointXYZ> radius_filter;
radius_filter.setInputCloud(cloud_input);
// 设置搜索半径（单位：米）
radius_filter.setRadiusSearch(0.1);
// 设置半径内最少点数
radius_filter.setMinNeighborsInRadius(5);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
radius_filter.filter(*cloud_filtered);避坑指南：我曾经在一个室内点云项目中，半径设了0.05m，最少点数设了10。结果发现墙角处的点被大量误删——因为墙角处点云密度本来就低。后来我把半径调到0.08m，最少点数降到5，效果就好多了。所以参数一定要根据实际点云密度来调，别死记硬背。
4.4 三种方法怎么选？
我整理了一个对比表，方便你快速决策：
| 方法 | 主要用途 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 体素滤波 | 降采样 | 速度快，均匀降采样 | 改变点位置，可能丢失细节 | 数据量过大时的首选 |
| 统计滤波 | 去噪 | 自适应密度，效果好 | 计算稍慢，需调参 | 均匀噪声、离群点 |
| 半径滤波 | 去噪 | 原理简单，参数直观 | 对密度变化敏感 | 稀疏孤立噪声 |
实际项目中，我通常的组合拳是：先体素滤波降采样，再统计滤波去噪。体素滤波把数据量降下来，后面的统计滤波跑得更快。如果发现还有零星的孤立噪点，再补一个半径滤波收尾。
总结一下今天的重点：
- 体素滤波：切格子，留重心，降采样
- 统计滤波：看邻居距离，剔除离群点
- 半径滤波：数邻居个数，剔除孤立点
- 预处理顺序：先降采样，再去噪
好了，今天就到这儿。这三种方法你回去一定要动手试试，参数调一调，看看效果变化。只有亲手调过参数，才能真正理解它们的脾气秉性。