2、点云预处理：体素滤波降采样、统计滤波去噪、半径滤波去噪、直通滤波
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，上来就急着做分割聚类，结果效果一塌糊涂。我当年也犯过这个错——有一次项目赶进度，直接拿原始点云跑算法，结果聚类出来一堆乱七八糟的东西，排查了半天才发现是噪声点惹的祸。
点云预处理，说白了就是给数据「洗个澡」。原始点云通常有几个问题：数据量太大、噪声点多、无关区域干扰。咱们这节课就针对这四个问题，一个一个解决。
2.1 体素滤波降采样
先说说降采样。你想想看，一个64线激光雷达，一秒钟能产生几十万个点。这么多点直接处理，计算量太大了。我见过有人用原始点云跑分割，一帧数据要算好几秒，这哪行？
体素滤波的思路很简单：把空间划分成一个个小立方体（体素），每个体素里只保留一个点。这个点通常是体素内所有点的重心，或者直接取中心点。
核心参数：体素大小
体素大小直接决定降采样后的点云密度。我个人的习惯是：
- 室外场景：0.1m - 0.2m
- 室内场景：0.05m - 0.1m
- 精细建模：0.02m - 0.05m
体素设得太小，降采样效果不明显；设得太大，会丢失细节。我记得有一次做道路检测，体素设了0.5m，结果路沿石的特征全没了，分割出来的道路边界歪歪扭扭的。
// 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); // 体素大小 10cm
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*cloud_filtered);小技巧：体素滤波后的点云，点的位置是体素内所有点的平均值，不是原始点。如果你需要保留原始点的位置，可以用随机采样代替体素滤波。
2.2 统计滤波去噪
统计滤波是去噪的利器。它的原理是：计算每个点与其k个近邻点的平均距离，如果这个距离超过某个阈值，就认为是离群点。
为什么会这样？因为正常点云中，每个点周围都有很多邻居，平均距离比较小。而噪声点往往是孤立的，周围没什么点，平均距离就很大。
我曾经在一个工厂项目里遇到过这种情况：激光雷达扫描时，有些灰尘和飞虫被误采为点云。这些点数量不多，但位置随机，用统计滤波一下子就滤掉了。
两个关键参数：
- k（近邻点数）：一般取20-50。点云越密，k可以越大。
- std_dev（标准差倍数）：一般取1.0-3.0。值越小，滤掉的点越多。
// C++ 示例：PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_filtered);
sor.setMeanK(50); // 近邻点数
sor.setStddevMulThresh(1.0); // 标准差倍数
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_denoised(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_denoised);注意：统计滤波可能会误删边缘点。比如物体边缘的点，邻居少，平均距离大，容易被当成噪声。如果你要保留边缘细节，std_dev可以设大一点，比如2.0或3.0。
2.3 半径滤波去噪
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，如果球内的点数少于某个阈值，就删掉这个点。
说白了，就是「朋友太少就滚蛋」。这个方法的优点是参数直观，好理解。缺点是对点云密度变化敏感——密度大的地方，半径内点就多；密度小的地方，半径内点就少。
我建议在点云密度比较均匀的场景下用半径滤波。比如室内结构化场景，点云分布相对均匀，效果就很好。
// C++ 示例：PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud_denoised);
ror.setRadiusSearch(0.1); // 搜索半径 10cm
ror.setMinNeighborsInRadius(5); // 最少邻居数
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_radius(new pcl::PointCloud<pcl::PointXYZ>);
ror.filter(*cloud_radius);经验之谈：半径滤波和统计滤波可以配合使用。先用统计滤波去掉大范围的离群点，再用半径滤波清理小范围的孤立点。我一般先做统计滤波（std_dev=1.5），再做半径滤波（r=0.1m, min=3）。
2.4 直通滤波
直通滤波是最简单的滤波方法，没有之一。它的作用就是切掉你不需要的区域。
比如你只关心前方50米内的障碍物，那就把x轴方向超过50米的点全部删掉。再比如你只关心地面以上的物体，那就把z轴小于0的点删掉。
直通滤波在预处理中非常实用。我记得有一次做停车场检测，激光雷达装在车顶，采集到的点云包含了车顶本身。用直通滤波把z轴小于1.5米的点删掉，车顶就没了，剩下的全是周围环境。
// C++ 示例：PCL 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_radius);
pass.setFilterFieldName("z"); // 沿z轴滤波
pass.setFilterLimits(0.0, 2.0); // 保留0到2米范围
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_passed(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_passed);常用滤波范围：
| 应用场景 | 滤波轴 | 范围 |
|---|---|---|
| 道路检测 | z轴 | -0.5m ~ 3.0m |
| 行人检测 | z轴 | 0.0m ~ 2.0m |
| 前方障碍物 | x轴 | 0.0m ~ 50.0m |
| 侧方车辆 | y轴 | -10.0m ~ 10.0m |
避坑指南：直通滤波的边界是硬切割。如果你在边界处有重要物体，可能会被切掉一半。我曾经在项目里把一辆车的尾部切掉了，导致聚类时少了一个障碍物。建议在边界处留一点余量。
2.5 四种滤波的选用策略
好了，四种滤波方法都讲完了。你可能会问：到底该用哪个？
我的建议是：
- 数据量太大？先做体素滤波降采样。
- 有离群噪声点？用统计滤波或半径滤波。
- 只关心某个区域？用直通滤波切掉无关区域。
实际项目中，我通常的预处理流程是：
- 直通滤波：切掉明显无关的区域（比如天空、地面以下）
- 体素滤波：降采样到可处理的数据量
- 统计滤波：去掉大噪声点
- 半径滤波：清理小噪声点
嗯，这个流程我用了好几年，效果一直很稳定。当然，具体参数要根据你的传感器和场景来调。没有万能参数，只有不断试错。
下一节课，咱们就拿着预处理好的点云，开始做分割和聚类了。到时候你会发现，预处理做得好，后面的工作轻松一大半。