4、点云预处理：体素滤波降采样、统计滤波去噪、半径滤波去噪

各位同学，欢迎来到点云预处理这一节。

说实话，雷达点云这东西，原始数据往往又密又乱。你直接拿去做聚类，效果通常很糟糕。我刚开始做项目时就被坑过——点云里全是噪声，聚类结果一塌糊涂。后来才明白，预处理这一步，其实比算法本身还重要。

今天咱们就聊聊三种最常用的滤波方法：体素滤波、统计滤波、半径滤波。它们各有各的脾气，用好了事半功倍。

4.1 体素滤波降采样

体素滤波，说白了就是给点云画个三维网格。每个小格子（体素）里，只保留一个代表点。

为什么要这么做？因为原始点云太密了。64线激光雷达，一帧数据可能有十几万个点。你想想看，这么多点全算一遍，CPU直接冒烟。体素滤波能大幅降低点数，同时保留点云的几何结构。

我个人习惯用 Open3D 的 voxel_down_sample 函数。参数就一个——体素大小。体素越大，降采样越狠。

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("lidar_data.pcd")
print(f"原始点数: {len(pcd.points)}")

# 体素滤波，体素大小设为0.1米
voxel_size = 0.1
pcd_down = pcd.voxel_down_sample(voxel_size)
print(f"降采样后点数: {len(pcd_down.points)}")

# 可视化对比
o3d.visualization.draw_geometries([pcd_down])

我在项目中遇到过一个问题：体素大小设得太小，降采样效果不明显；设得太大，点云细节全丢了。一般建议根据场景来调——室内场景0.05米，室外道路0.1~0.2米。

4.2 统计滤波去噪

统计滤波，专门对付离群点。什么是离群点？就是那些孤零零飘在空中的噪声点。

它的原理很简单：计算每个点周围K个邻居的平均距离。如果这个距离太大，说明它周围没几个邻居，那它大概率是噪声。

嗯，这里要注意：标准差倍数设得太小，会把正常点也滤掉；设得太大，噪声滤不干净。我建议先从1.5开始试。

import open3d as o3d

# 统计滤波
pcd = o3d.io.read_point_cloud("lidar_data.pcd")

# 参数：邻居数30，标准差倍数1.5
pcd_filtered, indices = pcd.remove_statistical_outlier(
    nb_neighbors=30, 
    std_ratio=1.5
)

print(f"原始点数: {len(pcd.points)}")
print(f"滤波后点数: {len(pcd_filtered.points)}")

# 可视化滤波结果
o3d.visualization.draw_geometries([pcd_filtered])

我曾经在高速场景测试时发现，统计滤波对稀疏点云效果不太好。为什么呢？因为稀疏点云本身邻居就少，平均距离自然大，容易误判。所以，如果你点云本来就稀疏，建议先用体素滤波加密一下，或者改用半径滤波。

4.3 半径滤波去噪

半径滤波，思路更直接：以每个点为中心，画一个球。球里点数少于某个阈值，就干掉它。

你想想看，如果某个点周围半径0.3米内只有两三个点，那它八成是噪声。正常物体表面，点云应该是密集的。

import open3d as o3d

# 半径滤波
pcd = o3d.io.read_point_cloud("lidar_data.pcd")

# 参数：半径0.2米，最少5个点
pcd_filtered, indices = pcd.remove_radius_outlier(
    nb_points=5, 
    radius=0.2
)

print(f"原始点数: {len(pcd.points)}")
print(f"滤波后点数: {len(pcd_filtered.points)}")

# 可视化
o3d.visualization.draw_geometries([pcd_filtered])

半径滤波和统计滤波有什么区别？我个人的理解是：统计滤波看全局分布，半径滤波看局部密度。统计滤波适合去除稀疏的离群点，半径滤波适合去除孤立的小团噪声。

4.4 三种滤波方法对比

方法	适用场景	优点	缺点
体素滤波	点云过密，需要降采样	速度快，保持几何结构	会丢失细节
统计滤波	稀疏离群噪声	参数直观，效果稳定	对边缘点不友好
半径滤波	孤立小团噪声	局部效果好，不易误判	对密度变化敏感

说实话，没有哪种滤波是万能的。我一般会组合使用：先体素滤波降采样到合理密度，再用半径滤波或统计滤波去噪。具体用哪个，看你的噪声类型。

4.5 完整预处理流程

最后，给大家一个我常用的预处理流水线。你可以直接拿去用。

import open3d as o3d
import numpy as np

def preprocess_point_cloud(pcd, voxel_size=0.1, 
                           radius=0.2, min_points=5):
    """
    点云预处理流水线
    参数:
        pcd: 原始点云
        voxel_size: 体素大小
        radius: 半径滤波搜索半径
        min_points: 半径滤波最少点数
    返回:
        预处理后的点云
    """
    # 1. 体素滤波降采样
    pcd_down = pcd.voxel_down_sample(voxel_size)
    
    # 2. 半径滤波去噪
    pcd_clean, _ = pcd_down.remove_radius_outlier(
        nb_points=min_points, 
        radius=radius
    )
    
    return pcd_clean

# 使用示例
pcd = o3d.io.read_point_cloud("lidar_data.pcd")
pcd_processed = preprocess_point_cloud(pcd)

# 保存结果
o3d.io.write_point_cloud("processed.pcd", pcd_processed)
print(f"预处理完成: {len(pcd.points)} -> {len(pcd_processed.points)}")

嗯，这个流程我用了好几年，在多个项目里验证过。当然，参数要根据你的传感器和场景来调。比如车载激光雷达，体素大小0.1米，半径0.3米，最少点数5个，基本够用。

好了，点云预处理就讲到这里。下一节咱们聊聊聚类算法，到时候这些预处理后的干净点云就能派上用场了。

---

公众号:蓝海资料掘金营，微信deep3321