4. 点云滤波：体素滤波、统计滤波、半径滤波的原理与Open3D实现
点云数据这东西，说白了就是一堆三维坐标点的集合。但现实世界中的点云，往往带着各种噪声和冗余。我刚开始做点云处理那会儿，拿到的数据动不动就几百万个点，直接处理？电脑风扇转得跟直升机似的。所以，滤波就成了点云预处理的第一道工序。
今天咱们聊聊三种最常用的滤波方法：体素滤波、统计滤波、半径滤波。这三种方法各有各的脾气，用对了地方，效果立竿见影。
4.1 体素滤波（Voxel Grid Filter）
体素滤波，我习惯叫它「下采样」。它的核心思想很简单：把三维空间切成一个个小立方体（体素），每个立方体里只保留一个点。这个点通常是立方体内所有点的重心，或者直接取中心点。
为什么要用体素滤波？
你想想看，一个激光雷达扫描一圈，可能产生几十万甚至上百万个点。这么多点，很多都是冗余的——比如一面平整的墙，其实几十个点就能描述清楚，没必要用几千个。体素滤波就是用来干这个的：在保持物体几何形状的前提下，大幅减少点的数量。
核心参数：体素大小（voxel_size）
体素大小决定了滤波的强度。体素越大，下采样越狠，点云越稀疏。体素越小，保留的细节越多。我一般从0.01米开始试，根据场景调整。
Open3D实现：
import open3d as o3d
import numpy as np
# 读取点云
pcd = o3d.io.read_point_cloud("input.pcd")
print(f"原始点云点数：{len(pcd.points)}")
# 体素滤波，设置体素大小为0.05米
voxel_size = 0.05
downsampled_pcd = pcd.voxel_down_sample(voxel_size)
print(f"体素滤波后点数：{len(downsampled_pcd.points)}")
# 可视化对比
o3d.visualization.draw_geometries([pcd], window_name="原始点云")
o3d.visualization.draw_geometries([downsampled_pcd], window_name="体素滤波后")我的经验：体素滤波后的点云，点的分布会更均匀。但要注意，如果体素设得太大，小物体会直接消失。我在做室内场景重建时，体素大小一般设在0.02-0.05米之间，既能降采样，又不丢失门框、桌腿这些细节。
4.2 统计滤波（Statistical Outlier Removal）
统计滤波，说白了就是「看邻居」。它假设：如果一个点周围没几个邻居，那它大概率是个离群点（噪声）。
具体怎么算？对每个点，计算它到所有邻居点的平均距离。这些平均距离会形成一个高斯分布。然后，我们把那些平均距离超出「均值 ± k倍标准差」的点干掉。
两个关键参数：
- nb_neighbors：邻居数量。我一般设20-50，点数多就设大点。
- std_ratio：标准差倍数。这个值越小，滤波越狠。默认1.0，我常用0.5-1.5之间。
Open3D实现：
import open3d as o3d
pcd = o3d.io.read_point_cloud("input.pcd")
# 统计滤波
cl, ind = pcd.remove_statistical_outlier(
nb_neighbors=20, # 邻居点数
std_ratio=1.0 # 标准差倍数
)
# 提取内点和外点
inlier_pcd = pcd.select_by_index(ind)
outlier_pcd = pcd.select_by_index(ind, invert=True)
print(f"内点数量：{len(inlier_pcd.points)}")
print(f"外点（噪声）数量：{len(outlier_pcd.points)}")
# 可视化：内点白色，噪声红色
inlier_pcd.paint_uniform_color([0.8, 0.8, 0.8])
outlier_pcd.paint_uniform_color([1.0, 0, 0])
o3d.visualization.draw_geometries([inlier_pcd, outlier_pcd])避坑指南：我曾经在扫描一个金属零件时，发现统计滤波把零件边缘的「真实点」也给滤掉了。后来排查发现，是因为零件边缘的点密度本来就低，统计滤波误判成了噪声。解决办法：把std_ratio调大一点，或者先做体素滤波让点云均匀化，再做统计滤波。
4.3 半径滤波（Radius Outlier Removal）
半径滤波的思路更直接：在指定半径的球体内，如果点的数量少于某个阈值，就把这个点视为噪声干掉。
你可以把它想象成「社交圈检查」——如果你周围的朋友太少，你就被踢出群聊了。
两个参数：
- radius：搜索半径。这个值取决于点云的密度，我一般先估算一下点间距，再设半径。
- min_pts：最少点数。半径内少于这个数，就删除。
Open3D实现：
import open3d as o3d
pcd = o3d.io.read_point_cloud("input.pcd")
# 半径滤波
cl, ind = pcd.remove_radius_outlier(
nb_points=6, # 半径内最少点数
radius=0.05 # 搜索半径（米）
)
inlier_pcd = pcd.select_by_index(ind)
outlier_pcd = pcd.select_by_index(ind, invert=True)
print(f"内点数量：{len(inlier_pcd.points)}")
print(f"外点数量：{len(outlier_pcd.points)}")
# 可视化
inlier_pcd.paint_uniform_color([0.8, 0.8, 0.8])
outlier_pcd.paint_uniform_color([1.0, 0, 0])
o3d.visualization.draw_geometries([inlier_pcd, outlier_pcd])三种滤波对比：
| 滤波方法 | 主要用途 | 核心参数 | 适用场景 |
|---|---|---|---|
| 体素滤波 | 降采样、均匀化 | voxel_size | 点云数据量过大时 |
| 统计滤波 | 去除离群噪声 | nb_neighbors, std_ratio | 点云中有稀疏噪声 |
| 半径滤波 | 去除孤立点 | radius, min_pts | 点云中有孤立小簇噪声 |
4.4 实战建议：滤波流程怎么搭？
在实际项目中，我很少只用一种滤波。通常的流程是：
- 先体素滤波：把几百万个点降到几十万，让后续处理跑得动。
- 再统计滤波或半径滤波：根据噪声类型选择。如果是稀疏的离群点，用统计滤波；如果是孤立的小簇噪声，用半径滤波。
- 最后再检查：可视化看看有没有误删重要点。
嗯，这里要注意：滤波参数的设置没有标准答案，完全取决于你的数据。我建议你写个脚本，把参数做成滑块，实时调整实时看效果。Open3D的GUI模块可以做到，后面章节会讲到。
一个小技巧：如果你不确定参数设多少，可以先统计一下点云的平均点间距。用pcd.compute_nearest_neighbor_distance()算一下，然后取平均距离的2-3倍作为体素大小或搜索半径，效果通常不错。
好了，三种滤波的原理和实现就讲完了。说白了，滤波就是「去粗取精」的过程——去掉冗余和噪声，保留结构和特征。下一章咱们聊聊点云的特征提取，那才是真正有意思的部分。