4、点云数据获取与预处理：无人机载LiDAR点云采集流程、点云去噪、滤波、下采样

各位同学，咱们今天聊聊点云数据。说实话，我刚入行那会儿，觉得点云就是一堆密密麻麻的点，没啥好看的。直到第一次用无人机载LiDAR去飞一片丘陵地带的果园，回来一看数据——好家伙，满屏的噪点，树冠和地面糊成一团。那一刻我才明白，点云这东西，采集是基础，预处理才是真正的技术活。

你想想看，无人机在天上飞，激光雷达往下打，地面上的草、树、电线杆、甚至飞过的鸟，都会被记录下来。如果不做处理，这些数据根本没法用。所以今天这一讲，咱们就掰开揉碎了讲清楚：点云怎么采，采回来怎么洗，洗完怎么用。

4.1 无人机载LiDAR点云采集流程

先说采集。我个人的习惯是，起飞前先花半小时做航线规划。别小看这一步，规划得好，后面省一半力气。

第一步：确定任务区域与飞行参数

你得先知道你要飞多大面积。比如一块50亩的梯田，地形起伏大，那飞行高度就不能太高。我一般建议：

• 飞行高度：相对地面50-80米。太高了，点云密度不够；太低了，效率低还容易撞山。
• 航向重叠率：60%-70%。这个值决定了点云在飞行方向上的重叠程度。
• 旁向重叠率：30%-40%。保证相邻航线之间的数据能拼接上。
• 飞行速度：5-8米/秒。太快了，点云会拉长变形。

第二步：设备检查与校准

嗯，这里要注意。LiDAR系统里有个IMU（惯性测量单元），它记录飞机的姿态。如果IMU没校准好，点云会整体漂移。我曾经有一次，飞完回来发现点云和RTK基站差了2米，查了半天，原来是IMU的温漂没补偿。所以起飞前，一定要做静态初始化——让飞机在地上静止3-5分钟，让IMU稳定下来。

第三步：执行飞行与数据采集

飞的时候，我习惯盯着地面控制站的实时点云预览。如果发现某条航线的点云密度突然变稀，那可能是激光雷达的扫描角度偏了，或者飞机颠簸太大。这时候我会果断中断航线，重新调整。

第四步：数据导出与初步检查

落地后，把SD卡拔出来，用配套软件把原始数据转成LAS格式。然后打开看一眼——点云有没有空洞？有没有明显的跳变？如果有，那可能得补飞一条航线。

4.2 点云去噪

点云采回来了，接下来就是去噪。说白了，就是把那些不属于地面的“脏东西”去掉。比如飞过的鸟、飘落的树叶、甚至无人机自身的旋翼反射。

常见的噪点类型：

• 孤立噪点：离群点，周围没有其他点。比如一只鸟飞过，只留下一个点。
• 低密度噪点：某个区域点特别稀疏，可能是激光打到水面或玻璃上，反射信号弱。
• 高反射噪点：比如金属电线杆，反射太强，导致点云出现“拖尾”现象。

去噪的方法，我一般分两步走：

第一步：手动粗筛。用点云软件（比如CloudCompare）打开数据，肉眼扫一遍。看到明显飞在天上的孤立点，直接框选删除。这一步虽然笨，但很有效。

第二步：自动去噪。用算法批量处理。常用的有统计滤波和半径滤波，咱们下面细讲。

4.3 滤波：统计滤波与半径滤波

滤波，是点云预处理的核心。你想想看，点云里每个点都有三维坐标，但有些点位置不对，比如因为激光打到树叶边缘，反射回来的点位置偏了。滤波就是把这些“坏点”揪出来。

4.3.1 统计滤波

统计滤波的原理很简单：计算每个点周围K个邻居的平均距离。如果某个点离它的邻居太远，那它大概率是个噪点。

举个例子，我设置K=10，然后计算每个点到它最近10个点的平均距离。如果这个平均距离超过了全局平均距离的3倍（这个倍数叫标准差倍数），我就把它删掉。

代码示例（Python + Open3D）：

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("raw_cloud.ply")

# 统计滤波
cl, ind = pcd.remove_statistical_outlier(
    nb_neighbors=10,      # 邻居点数
    std_ratio=2.0         # 标准差倍数
)

# 保存滤波后的点云
o3d.io.write_point_cloud("filtered_cloud.ply", cl)

我在项目中遇到过一个问题：如果地形起伏很大（比如梯田），统计滤波会把陡坡上的点也当成噪点删掉。为什么？因为陡坡上的点，邻居距离本来就大。所以后来我学乖了，先做一次粗略的地面分割，只对非地面点做统计滤波。

4.3.2 半径滤波

半径滤波更直接：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。

比如我设置半径R=0.5米，阈值=5。意思是：如果一个点周围0.5米内少于5个点，那它就是个孤立点，删掉。

代码示例：

# 半径滤波
cl, ind = pcd.remove_radius_outlier(
    nb_points=5,          # 最少点数
    radius=0.5            # 搜索半径（米）
)

半径滤波的好处是参数直观，容易调。坏处是如果点云密度不均匀，那密度低的区域（比如树冠边缘）容易被误删。我建议先用统计滤波去噪，再用半径滤波做精细清理。

4.4 下采样

下采样，说白了就是让点云变“瘦”。你想想看，一块10亩的地，点云可能有上亿个点。这么多点，处理起来电脑都卡。而且很多点是冗余的——比如平坦的地面，每平方米有100个点和有10个点，效果差不多。

常用的下采样方法：

• 体素滤波：把空间划分成小立方体（体素），每个体素里只保留一个点（通常是重心点）。这是最常用的方法。
• 随机采样：随机删除一定比例的点。简单粗暴，但可能丢失细节。
• 均匀采样：按固定间隔取点，保证点云分布均匀。

我个人最推荐体素滤波。为什么？因为它能保持点云的几何结构。比如一个斜坡，体素滤波后，斜坡的形状还在；而随机采样可能会把斜坡上的关键点删掉。

代码示例（体素滤波）：

# 体素下采样
voxel_size = 0.1  # 体素边长（米）
down_pcd = pcd.voxel_down_sample(voxel_size)

# 看看下采样前后的点数
print(f"原始点数: {len(pcd.points)}")
print(f"下采样后点数: {len(down_pcd.points)}")

体素大小的选择很关键。我一般这样定：

嗯，这里要提醒一句：下采样不是越少越好。我见过有人为了省事，直接把体素设成1米，结果点云变成了一堆方块，地形细节全没了。所以下采样的度，得根据你的后续需求来定。

好了，点云获取和预处理就讲到这里。下一讲咱们聊聊怎么从点云里提取地面点，生成数字高程模型（DEM）。到时候你会发现，前面这些去噪、滤波、下采样的功夫，全都没白费。