2、点云预处理：体素滤波降采样、统计滤波去噪、直通滤波与半径滤波
点云预处理，说白了就是给原始点云「洗个澡」。
我刚开始做点云项目时，拿到的数据往往又大又脏。几十万个点挤在一起，还有一堆离群点飘在外面。直接扔进分割算法？结果惨不忍睹。后来我学乖了——预处理做得好，后面事半功倍。
今天咱们就聊聊四种最常用的滤波方法。它们各有各的脾气，用对了地方，效果立竿见影。
2.1 体素滤波降采样
体素滤波，我习惯叫它「点云瘦身术」。你想想看，一个激光雷达扫一圈，几百万个点就来了。这么多点，很多其实是冗余的——同一个平面上，几百个点和几十个点，对算法来说差别不大。
核心思想：把空间切成一个个小立方体（体素），每个体素里只保留一个代表点。这个代表点通常是体素内所有点的重心，或者中心点。
关键参数：体素大小（leaf size）
- 体素越大，降采样越狠，点云越稀疏
- 体素太小，降采样效果不明显
- 我一般从 0.05m 开始试，根据场景调整
我在项目中遇到过一个问题：体素滤波后，原本的精细结构被磨平了。比如一个螺丝钉的螺纹，体素太大就直接消失了。所以选体素大小时，得先问问自己——我要保留多细的细节？
// C++ 示例：PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素边长 10cm
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*filtered_cloud);小技巧：体素滤波不光能降采样，还能顺便把离群点干掉。因为孤立的点往往落不到体素里，或者体素里就它一个，滤波后自然就没了。
2.2 统计滤波去噪
统计滤波，我管它叫「点云清道夫」。它专门对付那些飘在空中的噪声点。
原理其实很简单：每个点周围都有邻居吧？计算每个点到它 k 个最近邻的平均距离。如果这个距离太大，说明它离大伙儿太远，八成是个噪声点，干掉它。
为什么会这样？因为真实物体的点云，点与点之间距离比较均匀。而噪声点往往是随机出现的，周围没什么伙伴。
| 参数 | 含义 | 我的经验值 |
|---|---|---|
| k（邻居数） | 计算距离时考虑多少个近邻 | 20~50，点云密的话取大点 |
| std_dev_mult（标准差倍数） | 距离均值 ± 几倍标准差之外算离群 | 1.0~2.0，保守点取 1.5 |
我曾经在一个工厂项目里，点云里全是飞溅的焊渣噪声。统计滤波一把梭，干净多了。但要注意——如果物体本身边缘很薄，比如一片树叶，统计滤波可能会把边缘点也当成噪声删掉。嗯，这里要小心。
// C++ 示例：PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 每个点考虑 50 个近邻
sor.setStddevMulThresh(1.5); // 标准差倍数阈值
sor.filter(*filtered_cloud);避坑指南：我曾经把 std_dev_mult 设成 0.5，结果把正常点删掉了一大半。记住，这个值越小，删得越狠。保守点就从 2.0 开始往下调。
2.3 直通滤波
直通滤波，说白了就是「切一刀」。在某个坐标轴方向画个范围，范围内的留下，范围外的滚蛋。
这招在什么场景下好用？比如你只关心地面以上 1 米到 2 米之间的物体，那就把 Z 轴范围设成 [1.0, 2.0]，其他点全砍掉。简单粗暴，但非常有效。
我个人习惯在做分割之前，先用直通滤波把感兴趣区域（ROI）框出来。这样后面的算法就不用处理那些无关的点，速度能快不少。
// C++ 示例：PCL 直通滤波（Z 轴方向）
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(1.0, 2.0); // 保留 Z 在 1m~2m 之间的点
pass.filter(*filtered_cloud);注意：直通滤波可以沿 X、Y、Z 任意轴做，也可以组合使用。比如先切 X 轴，再切 Y 轴，最后切 Z 轴，就能得到一个立方体 ROI。
2.4 半径滤波
半径滤波和统计滤波有点像，但思路更直接：以每个点为中心，画一个半径为 r 的球。如果球里的邻居数少于某个阈值，就认为这个点是离群点，删掉。
你想想看，一个正常的点，周围总该有几个伙伴吧？如果它孤零零的，周围半径 0.1 米内一个点都没有，那它八成有问题。
| 参数 | 含义 | 我的经验值 |
|---|---|---|
| radius（搜索半径） | 画多大的球来找邻居 | 0.05~0.2m，看点云密度 |
| min_neighbors（最少邻居数） | 球内至少要有几个点 | 3~10，密度大就取大点 |
我记得有一次做室内场景重建，点云里有很多飘浮的灰尘点。统计滤波搞不定，因为灰尘点分布太散了。换成半径滤波，把半径设小一点，邻居数设成 2，灰尘点全没了。说白了，半径滤波对稀疏噪声更敏感。
// C++ 示例：PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.1); // 搜索半径 0.1m
ror.setMinNeighborsInRadius(5); // 至少要有 5 个邻居
ror.filter(*filtered_cloud);对比一下：统计滤波看的是「平均距离」，适合均匀分布的噪声；半径滤波看的是「绝对数量」，适合稀疏的孤立点。我一般先用统计滤波，再用半径滤波收尾。
2.5 四种滤波方法对比
说了这么多，咱们来张表总结一下：
| 方法 | 主要用途 | 优点 | 缺点 |
|---|---|---|---|
| 体素滤波 | 降采样 | 速度快，保留形状 | 会丢失细节 |
| 统计滤波 | 去噪 | 对均匀噪声效果好 | 可能误删边缘点 |
| 直通滤波 | 提取 ROI | 简单高效 | 只能沿坐标轴切 |
| 半径滤波 | 去稀疏噪声 | 对孤立点敏感 | 参数调起来麻烦 |
实际项目中，我通常把这四种方法串起来用：先直通滤波框出 ROI，再体素滤波降采样，然后统计滤波去均匀噪声，最后半径滤波收尾。一套组合拳下来，点云干净又轻量。
好了，四种滤波方法就聊到这儿。每种方法都有自己的脾气，关键是要理解它们的原理，然后根据你的数据特点去选。别死记参数，多试几次，手感就来了。