点云滤波概述

点云滤波概述

点云噪声是指在获取点云数据时，由于设备精度、操作经验或环境因素等影响，导致获取到的数据存在误差，在实际应用中，这些噪声点会对数据处理产生不良影响。
除了噪声点以外，由于外界干扰、障碍物等因素，还可能出现一些距离主体较远的离散点，这些点被称为离群点。

因此，需要对点云进行一个滤波处理，来去除这些噪声点和离群点，获得一个精度较高的点云数据，同时，滤波还可以实现平滑处理，下采样、孔洞修复等。

在点云处理流程中，滤波处理作为点云处理第一步，对后续数据处理有较大影响。只有经过滤波处理，才能更好地进行后续的：配准、特征提取、曲面重建、可视化等。

PCL中的滤波模块：PCL（点云库）中提供了丰富的滤波算法，包括但不限于：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波、半径滤波、体素网格滤波，统计离群点滤波等

现在做一个统计整理一下这些传统的点云滤波算法

算法名称	核心原理	主要用途	关键参数	优缺点
直通滤波（PassThrough）	沿指定坐标轴（X/Y/Z）保留 / 删除指定范围的点	快速裁剪 ROI、去除远离主体的离群点	setFilterFieldName()、setFilterLimits()	优点：简单高效；缺点：仅单轴 / 多轴范围过滤，灵活性有限
条件滤波（ConditionalRemoval）	自定义多条件（坐标、强度、颜色、法向量等）筛选点	高度定制化过滤（如保留地面以上点、过滤特定强度值）	条件表达式（如 x>0.5 && z<1.0）、逻辑运算符	优点：灵活强大； 缺点：需手动设计条件，复杂度高
体素滤波（VoxelGrid）	空间划分为体素，每个体素用重心点替代	数据降采样、加速后续处理、保持宏观形状	setLeafSize()（体素边长）	优点：降采样效果好、速度快； 缺点：会丢失局部细节
统计滤波（StatisticalOutlierRemoval）	计算点与 K 近邻平均距离，剔除距离超全局均值 ±N 倍标准差的点	去除稀疏离群噪声（如测量误差产生的孤立点）	setMeanK()（近邻数）、setStddevMulThresh()（标准差倍数）	优点：稳健去噪； 缺点：对密度不均点云敏感、计算量较大
半径滤波（RadiusOutlierRemoval）	以点为中心画球，球内邻居数 < 阈值则删除该点	去除孤立噪点、保留密集区域	setRadiusSearch()（搜索半径）、setMinNeighborsInRadius()（最小邻居数）	优点：简单直观、速度快； 缺点：半径 / 阈值需经验调参
高斯滤波（GaussianFilter）	邻域点按高斯分布加权平均，平滑点云	去除高频噪声、平滑表面	高斯核标准差 sigma、搜索半径	优点：平滑效果好； 缺点：易模糊边缘、丢失细节
双边滤波（BilateralFilter）	同时考虑空间距离与属性（强度）差异加权平均，保边去噪	平滑噪声同时保留边缘 / 细节（如工业零件、医疗扫描）	空间标准差 sigma_s、属性标准差 sigma_i、搜索半径	优点：保边 + 去噪； 缺点：仅处理强度字段、计算量较大
随机采样一致性滤波（RANSAC）	迭代随机采样拟合几何模型（平面 / 线 / 球），保留内点、剔除外点	拟合基础几何、分离地面 / 墙面、去除模型外噪声	模型类型、inlierThreshold（内点距离阈值）、最大迭代次数	优点：抗外点能力极强； 缺点：迭代耗时、需预设模型

后面会依次介绍一下对应各种算法的原理以及对应的实现代码，感兴趣的朋友可以关注一下。