第1章：点云预处理——从原始数据到可用模型的第一步
各位同学，大家好。我是你们这门课的老朋友。今天咱们聊聊点云预处理。
说实话，我刚开始接触叶片损伤检测那会儿，拿到激光扫描仪出来的原始点云，差点没崩溃。那数据量，动辄几千万个点，而且里面什么乱七八糟的都有——空气中的灰尘、支架的反射、甚至飞过的虫子。你想想看，要是直接拿这些数据去做损伤分析，结果能靠谱吗？
所以，预处理这一步，说白了就是给数据「洗澡」。洗掉脏东西，留下精华。今天咱们就讲四个核心操作：去噪、下采样、配准。嗯，一个一个来。
核心逻辑：原始点云 → 去噪（剔除噪声） → 下采样（降低密度） → 配准（对齐坐标系） → 可用模型
4.1 点云去噪：把「脏东西」筛出去
先说说去噪。我见过不少新手，上来就用最复杂的算法，结果把叶片边缘的细节也给滤掉了。其实，去噪的核心就两个思路：统计滤波和半径滤波。
4.1.1 统计滤波（Statistical Outlier Removal）
这个算法的逻辑很简单：对每个点，计算它到周围 k 个邻居的平均距离。如果这个距离明显大于整体平均值，那这个点大概率是噪声。
为什么会这样？因为真正的叶片表面，点与点之间分布是比较均匀的。而噪声点，比如空气中的浮尘，往往孤零零地飘在外面，离谁都远。
我在项目中遇到过一件事：有一次扫描一个带锈蚀的叶片，锈蚀区域本身就有一些凸起。如果用默认参数去噪，差点把这些真实特征也给删了。所以，参数调校很重要。
我的经验：k 值一般取 20-50，标准差倍数取 1.0-2.0。保守一点，先取 2.0，看看效果再往下调。
// C++ 示例：PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(30); // 邻居点数
sor.setStddevMulThresh(1.5); // 标准差倍数
sor.filter(*cloud_filtered);4.1.2 半径滤波（Radius Outlier Removal）
半径滤波更直接：在某个半径范围内，如果邻居点数量少于阈值，就干掉它。
说白了，就是「你周围没人，那你就是孤魂野鬼，删掉」。这个方法对稀疏噪声特别有效。
嗯，这里要注意：半径的选择要跟点云密度匹配。如果点云本身就很稀疏，半径设太小，会把正常点也删掉。
避坑指南：我曾经在测试中把半径设成 0.01 米，结果一个叶片上 80% 的点都被删了——因为扫描仪精度高，点间距本来就小。后来改成 0.05 米，效果就对了。
// C++ 示例：PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.05); // 搜索半径 5cm
ror.setMinNeighborsInRadius(10); // 最少邻居数
ror.filter(*cloud_filtered);4.2 点云下采样：给数据「减肥」
去完噪，数据量还是很大。一个叶片扫描下来，几百万个点很正常。直接做配准或分析，计算量太大。这时候就需要下采样。
我个人最常用的是体素滤波（Voxel Grid Filter）。
4.2.1 体素滤波（Voxel Grid Downsampling）
思路很简单：把空间划分成一个个小立方体（体素），每个体素内只保留一个点——通常是所有点的重心。
你想想看，这就像把一张高清照片压缩成马赛克。体素尺寸越大，点越少，但细节损失也越大。
我记得有一次做叶片前缘损伤分析，体素设成 2mm，结果损伤边缘的锯齿特征全没了。后来改成 0.5mm，才勉强保住细节。所以，体素尺寸要根据你的分析精度来定。
| 体素尺寸 | 点云数量（约） | 适用场景 |
|---|---|---|
| 0.5 mm | 50万 - 100万 | 精细损伤分析 |
| 1.0 mm | 10万 - 30万 | 常规配准、粗分析 |
| 2.0 mm | 2万 - 5万 | 快速预览、大场景 |
// C++ 示例：PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud_filtered);
vg.setLeafSize(0.001f, 0.001f, 0.001f); // 1mm 体素
vg.filter(*cloud_downsampled);关键点：下采样不是越少越好。保留的点要能反映叶片表面的几何特征。我一般先降采样到原始数据的 10%-20%，再根据后续分析需求微调。
4.3 点云配准：把碎片拼成整体
实际扫描中，一个叶片往往需要从多个角度扫描才能覆盖完整。这些不同视角的点云，坐标系不同，需要对齐——这就是配准。
最经典的算法就是 ICP（Iterative Closest Point，迭代最近点算法）。
4.3.1 ICP 算法原理
ICP 的核心思想：不断寻找两个点云之间的对应点对，计算旋转平移矩阵，然后迭代优化，直到误差收敛。
说白了，就是「猜一个变换，算一下误差，再调整，再算，直到对齐」。这个过程有点像你用手把两块拼图慢慢对上。
我遇到过最头疼的情况：两个点云初始位置差太远，ICP 直接掉进局部最优，死活对不上。后来我养成了一个习惯——先用粗配准（比如手动选对应点或使用 SAC-IA 算法）把两个点云大致对齐，再用 ICP 做精细调整。
我的建议：ICP 对初始位置敏感。如果两个点云初始偏差超过 10cm，大概率会失败。先用粗配准拉近，再用 ICP 精配。
// C++ 示例：PCL ICP 配准
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(cloud_source); // 源点云
icp.setInputTarget(cloud_target); // 目标点云
icp.setMaxCorrespondenceDistance(0.05); // 最大对应距离 5cm
icp.setMaximumIterations(100); // 最大迭代次数
icp.setTransformationEpsilon(1e-8); // 变换精度
icp.setEuclideanFitnessEpsilon(1e-5); // 误差精度
pcl::PointCloud<pcl::PointXYZ> cloud_aligned;
icp.align(cloud_aligned);
if (icp.hasConverged()) {
std::cout << "配准成功，得分：" << icp.getFitnessScore() << std::endl;
} else {
std::cout << "配准失败，请检查初始位置" << std::endl;
}4.3.2 ICP 的常见问题与调优
- 收敛慢：点云数量太大。先下采样再配准，速度能快 10 倍。
- 配准失败：初始位置太远。用粗配准或手动选点先拉近。
- 局部最优：叶片表面特征重复（比如光滑区域）。可以增加特征点（如边缘、角点）的权重。
- 精度不够：迭代次数太少或收敛阈值太大。我一般设 100-200 次迭代，精度 1e-6。
避坑指南：我曾经在配准两个叶片碎片时，因为碎片表面太光滑（没有明显特征），ICP 直接跑飞了。后来我在碎片上贴了几个标记点，再扫描，配准就稳了。有时候，物理手段比算法更管用。
小结
好了，今天的内容就到这里。点云预处理，说白了就是三步：去噪、下采样、配准。每一步都有它的坑，但只要你理解了原理，多动手调参数，慢慢就能找到感觉。
我个人觉得，预处理花的时间，往往决定了后续分析的成败。数据干净了，后面的损伤识别、定量分析才能站得住脚。别嫌麻烦，这一步值得你下功夫。
下一章，咱们会深入聊聊叶片损伤的特征提取——怎么从点云里把裂纹、凹坑、腐蚀这些「伤疤」给揪出来。到时候见。