2. 点云滤波概述：滤波的目的与意义、常见噪声类型、滤波算法分类

大家好，我是你们的老朋友。今天咱们正式进入点云处理的第一道门槛——滤波。

说实话，我刚开始接触点云那会儿，拿到数据就直接往上怼算法，结果经常被各种奇怪的结果搞得一头雾水。后来才明白，点云滤波不是可有可无的预处理，而是决定整个处理流程成败的关键一步。你想想看，如果原始数据里全是噪声和离群点，后面再怎么折腾也是白搭。

2.1 滤波的目的与意义

滤波说白了就三件事：去噪、降采样、保结构。

• 去噪：把传感器采集过程中混入的乱七八糟的点剔除掉。比如激光雷达扫到玻璃上产生的反射点，或者深度相机在边缘处产生的飞点。
• 降采样：原始点云动不动就几百万个点，直接处理太慢了。滤波可以帮你保留关键信息的同时，把数据量降下来。
• 保结构：这是最容易被忽略的一点。滤波不能把物体的边缘、棱角给磨平了，否则后面做特征提取就废了。

2.2 常见噪声类型

不同的噪声，处理方式完全不同。咱们得先认识它们，才能对症下药。

2.2.1 离群点

离群点就是那些"孤零零"的点，周围没什么邻居。产生原因很多：

• 激光打到镜面或玻璃上，产生反射
• 传感器抖动或运动模糊
• 环境中的飞虫、灰尘

我在做自动驾驶项目时遇到过这种情况：一辆车停在玻璃幕墙旁边，结果雷达扫出来的点云里，玻璃后面凭空多出一堆点。这就是典型的离群点。处理这类噪声，统计滤波和半径滤波是首选。

2.2.2 高斯噪声

高斯噪声是传感器本身的"底噪"，每个点的位置都会有一点点随机偏移。这种噪声的特点是：

• 分布服从高斯分布
• 幅度不大，但无处不在
• 对平面拟合、法向量估计影响很大

我记得有一次做三维重建，点云看起来挺干净的，但拟合出来的平面总是歪歪扭扭。排查了半天，才发现是高斯噪声在作怪。处理高斯噪声，体素滤波和双边滤波效果不错。

2.2.3 混叠点

混叠点是最让人头疼的。它通常出现在物体边缘或深度突变的地方。比如：

• 前景和背景交界处
• 物体边缘的"拖尾"现象
• 运动物体的模糊区域

2.3 滤波算法分类

滤波算法五花八门，但按原理可以分成几大类。我画了一张图，帮大家理清思路：

2.3.1 基于统计的方法

这类方法假设点云中点的分布符合某种统计规律。比如：

• 统计滤波：计算每个点到其K近邻的平均距离，如果距离超过阈值（均值+若干倍标准差），就判定为离群点
• 高斯滤波：用高斯核函数对点云进行平滑，适合处理高斯噪声

2.3.2 基于邻域的方法

这类方法更直观——看一个点周围有没有足够的邻居。代表算法：

• 半径滤波：在指定半径内，如果邻居点数量少于阈值，就删除
• 体素滤波：把空间划分成小立方体，每个立方体只保留一个代表点（通常是重心或中心）
• 双边滤波：同时考虑空间距离和特征相似度，能在去噪的同时保留边缘

体素滤波是我用得最多的降采样方法。它的参数只有一个——体素大小。体素越大，降采样越狠，但细节丢失也越多。我一般从0.01米开始试，根据效果慢慢调。

2.3.3 基于投影的方法

这类方法先把3D点云投影到2D平面上，然后在2D空间做滤波。好处是可以利用成熟的图像处理算法。比如：

• 把点云投影成深度图，然后用中值滤波、高斯滤波处理
• 处理完再反投影回3D空间

嗯，这里要注意：投影法会丢失一些3D几何信息，所以更适合结构化场景（比如室内、道路）。

2.4 如何选择滤波算法？

没有万能算法，关键看你的数据和应用场景。我整理了一个速查表：

噪声类型	推荐算法	适用场景	注意事项
离群点	统计滤波、半径滤波	室外大场景、激光雷达数据	阈值要调，别误删正常点
高斯噪声	体素滤波、双边滤波	深度相机数据、室内重建	体素大小影响细节保留
混叠点	半径滤波 + 边缘检测	物体边缘、运动场景	需要结合几何特征判断
综合噪声	组合使用（先统计滤波，再体素滤波）	大多数实际项目	注意处理顺序

好了，这一章的内容就到这里。滤波是点云处理的基本功，看似简单，但参数调优需要大量实践。建议大家多拿自己的数据试试，慢慢就能找到感觉。