38 点云预处理
把一台线激光轮廓仪或结构光相机对准一块金属工件，按下采集键，你拿到的从来不是一张干净利落的三维曲面。原始数据里混着三类毛病：高度值在每个采样点上随机抖动（与二维图像里的噪声同源，只是这次抖的是 Z 而不是灰度）；表面上散布着一片片”黑洞”——激光打到陡壁、深孔或镜面反光处无法回采，这些采样点拿不到任何高度，成了无效像素（invalid pixel）；偶尔还冒出几个孤零零的”尖刺”，比真实表面高出几百微米，那是二次反射或异常匹配留下的伪影。与此同时，一帧距离图（range image）动辄几十万、上百万个点，直接拿去做配准或匹配，计算量会瞬间爆掉。带噪、有洞、过密——这就是下游测量与检测必须面对的原料。点云预处理（point cloud preprocessing）正是测量之前的第一道工序，它要做的事和 Part III 的二维图像增强一一对应：去噪、补缺、降采样、分割，只不过战场从灰度图搬到了三维表面。本章可以看作二维增强在 3D 上的对应篇。
图 38.1 是本章贯穿始终的合成场景：一块 320×240=76800 像素的距离图，基面高度 1000μm 并沿 x 方向带一点缓坡，上面有一个 +400μm 的凸台、一道 −300μm 的凹槽；我们给它叠加了 σ=5μm 的高度高斯噪声、5% 的失效像素（共 3858 个无效点，在图中呈黑斑），再撒上 245 个尖刺（图中呈白斑）。这一幅图同时集齐了三类典型缺陷，后面每一节都从它出发。
38.1 距离图 vs 点云：在哪做
三维数据有两种存放方式，预处理可以在任意一种上进行，但成本与可复用性大不相同。
第一种是距离图，也叫深度图或 2.5D 高度图：它本质上是一张规则网格上的图像，每个像素存一个高度值（Z），横纵坐标由像素位置隐含给出（章节 37）。它的最大好处是”规则”——Part III 里所有基于像素邻域的二维算法，中值滤波、高斯滤波、形态学、阈值分割，几乎可以原封不动地搬过来，把”灰度”换成”高度”即可。第二种是无序点云（point cloud）：一堆离散的 \((X,Y,Z)\) 三元组，不依附任何网格，能忠实表达任意拓扑（包括距离图无法表达的悬垂、侧壁、多层结构），但代价是邻域查询要靠 kd 树，每一步都比规则网格慢一截。
经验法则：单视角、单层表面（绝大多数在线检测都是这种）优先用距离图处理，能直接复用成熟的二维算法、速度快、内存省；只有当物体有悬垂、需要多视角拼合、或拓扑复杂到网格无法表达时，才进入无序点云的世界（章节 39）。
正因为如此，多数 SDK 的 3D 预处理操作都在距离图上做，本章的主战场也设在这里。但有一个二维世界不存在的陷阱必须先讲清楚：失效像素不能当成 0 参与运算。在距离图里，无效点常用计数 0（或某个哨兵值）标记，它的含义是”这里没有数据”，而不是”这里高度为 0”。如果滤波器把它当成一个高度值 0 拿去平均，那么一个洞旁边的真实高度就会被这个虚假的 0 狠狠拉低，去噪反倒制造了一道假沟。因此 3D 滤波、形态学的每一步都必须是 NaN 感知（NaN-aware） 的：只统计有效邻点，无效点既不贡献也不被污染。本章所有手写算子都遵守这一条，下面会反复看到它的作用。
38.2 3D 滤波
去噪是预处理的第一步，思路与 章节 6 完全相通：在高度图上对每个点取一个邻域，做一次恰当的”平均”，把随机抖动压下去。我们让两种经典滤波器在距离图上同台竞技——3×3 中值滤波（median filter） 与 3×3 高斯滤波（Gaussian filter），都做成 NaN 感知版本：中心无效则保持无效，中心有效则只对邻域内的有效高度排序取中位数（中值）或加权平均（高斯）。
衡量去噪效果，我们看平坦基面子区相对真值平面的高度均方根（RMS，单位 μm）。结果如下：原始数据 RMS 高达 32.09μm——注意这个数字远大于 5μm 的噪声标准差，因为它被 245 个尖刺严重污染了。中值滤波把 RMS 压到 2.28μm，高斯滤波只压到 12.08μm，而先中值再高斯（中值除尖刺、高斯平随机噪声）做到 1.61μm，是全场最优。
差距的根子在尖刺。章节 6 讲过的那条教训——中值除离群、高斯抹离群——在 3D 这里原样重现。统计尖刺残留（有效点中 |测得高度−真值| > 200μm）：原始 245 个，中值滤波后只剩 5 个，而高斯滤波后还有 14 个。中值滤波把每个尖刺当成局部离群值，排序后挤到队尾、轮不到当输出，于是被干净剔除；高斯滤波却把尖刺那几百微米的高度摊给周围邻居，结果不是消掉尖刺，而是把它抹成了一个矮一圈、胖一圈的”鼓包”——尖刺的能量没消失，只是被涂开了。图 38.2 把三者并排放在一起，肉眼就能看出原始图上的白色尖刺在中值结果里彻底消失，在高斯结果里却变成了一片片浅色晕斑。
本节用的是各向同性高斯/中值。若既想压噪又想保住凸台、凹槽的陡壁，可换用保边（edge-preserving）的 3D 滤波——双边滤波（bilateral）或导向滤波（guided filter），它们把”高度相近才参与平均”的判据引入加权，机理与 章节 6 的双边滤波一脉相承。
因此最终输出取中值+高斯的级联（图 38.3）：第一道中值清掉尖刺与可能漏网的脉冲，第二道高斯把残余的随机抖动进一步抚平。这一组合既保住了凸台、凹槽的边缘，又把平坦区 RMS 压进 2μm 以内，为后续测量打下干净的底子。
38.3 3D 形态学：补洞
滤波处理了”抖”和”尖”，但没碰那 3858 个黑洞——失效像素依旧是洞。补洞是形态学（morphology）的活，思路与 章节 8 的二维形态学一致：用闭运算（closing，先膨胀后腐蚀）填掉小尺寸的空洞。在高度图上，我们对每个无效像素检查其 8 邻域，若有效邻点数达到阈值，就用这些有效邻点的中位数把它填上，迭代数轮——这等价于让有效区向洞内”长”几圈，把孤立的小洞逐渐合拢，同时不去触碰大面积的连续缺失。
实验结果干脆利落：无效像素从 3858 个降到 1 个——闭运算填上了 3857 个小空洞（图 38.4）。5% 的失效像素大多是 1～3 个像素的散点孔洞，闭运算几轮就能把它们全部合拢。
为什么是”闭”而不是”开”？闭运算填的是前景（有效区）内部的暗洞，正对应我们要补的失效像素；开运算则会抹掉小的亮点，是另一类用途。形态学算子的选择永远取决于”洞”和”刺”谁是你要消灭的对象。
但补洞这件事必须带着警惕去做。小洞可以填，大洞补出来的是假数据。闭运算填洞用的是周边有效点的插值，它隐含假设”这个洞底下的表面与周围连续”。对几个像素的散点孔，这个假设基本成立，补出来的高度足够可信；可一旦遇到一片连续的大缺失——比如激光被深槽或陡壁整片遮挡留下的盲区——强行用周边高度插值，等于凭空捏造了一块根本没测到的表面。这与 章节 33 里”遮挡处宁缺毋造”的两难是同一道理：缺失本身往往携带信息（这里有个深结构、这里反光异常），把它无脑填平，反而抹掉了真实信号。所以本节的闭运算特意设了”有效邻点数达阈值才填”的约束，让它只补小洞、放过大洞——剩下的那 1 个无效点，正是这种克制的体现。
38.4 3D 采样
去噪、补洞之后，表面干净了，但点还是太多。这一节解决”过密”。体素栅格降采样（voxel grid downsampling） 是点云降采样最常用的手段：把三维空间切成边长固定的小立方体（体素，voxel），落进同一个体素的所有点用一个代表点（通常取质心）替换，于是点的密度被均匀地稀释下来。它的好处是”空间均匀”——无论原始点云在哪里密、哪里疏，输出的点间距都被体素边长统一约束，不会出现局部过密。
取体素边长 0.4mm，本章距离图的有效点从 76799 个降到 4901 个，缩减 15.7 倍（图 38.5）。关键是这次缩减几乎不伤结构：平坦基面上密密麻麻的点本就高度相近、落进同一批体素，塌缩成代表点几乎不丢信息；而凸台和凹槽的边缘，因为高度跨越了不同的 Z 体素层，那里的点被保留下来，边缘密度反而相对突出。图 38.5 里能清楚看到：平坦区点稀疏，凹槽和凸台的轮廓线却依旧密实——结构信息被完好地保住了。
降采样不止体素一种。均匀采样按固定步长隔点取，简单但可能漏掉细节；体素采样按空间格子取代表点，密度均匀；曲率自适应采样在平坦区狠抽、在高曲率区（边、角）多留，最省点又最保结构，代价是要先估法向与曲率。三者按”是否需要保细节、是否吃得起预计算”来选。
为什么 3D 一定要降采样？因为下游算法对点数极其敏感。配准（章节 39）里的 ICP 每一轮都要为每个点搜最近邻，百万级点云做 ICP 或特征匹配，单轮就要做百万次 kd 树查询，几十轮下来计算量直接爆炸；模板匹配、表面配准同理。把点数先砍掉一两个数量级，再去做这些重活，往往是把”跑不动”变成”实时”的关键一步。当然降采样也分场景：要定位、要配准，降采样后又快又稳；但要做高精度体积或尺寸测量，则该用全分辨率——这个权衡下一节的工业案例里还会再碰到。
38.5 3D 阈值与分割
预处理的最后一步常常是把”感兴趣的区域”从背景里分出来，交给后续测量。最简单直接的 3D 分割就是高度阈值（height thresholding），思路与 章节 7 的二维灰度阈值如出一辙：定一个高度门槛，高于它的判为目标、低于它的判为背景。本章按”高度 > 1200μm”把凸台从基面里分出来——基面在 1000μm 上下、凸台高出 400μm 到 1400μm 左右，1200μm 这条线落在两者之间，干净利落。
结果近乎完美：分割得到 7197 个像素，而凸台真值（GT）是 7200 个像素，误检（FP）0 个、漏检（FN）3 个，交并比 IoU = 0.9996（图 38.6）。3 个漏检全在凸台边缘——那里高度正好卡在阈值附近，被滤波轻微平滑后掉到了门槛之下，属于可接受的边界效应。能做到这种精度，前面几节的铺垫功不可没：先滤波除掉了会造成大量误判的尖刺，再补洞填掉了凸台内部本会被判成背景的空洞，阈值分割才能如此干净。
高度阈值只是 3D 分割的起点。当目标与背景的高度差不明显、或要分出的是共面的多个区域时，就得上更进阶的手段：区域生长（region growing） 按法向或曲率的连续性把相邻点聚成片，平面分割（RANSAC 平面拟合） 则直接从点云里提取出一个个平面基元（呼应 章节 41 的基元拟合）。但对”高出一截的凸台/低下一块的凹槽”这类最常见的工业目标，一条高度阈值往往就够了，简单且可靠。
38.6 SciVision 实现
本章对应的 SciVision 3D 模块在本机实测的可用性差异很大，如实记录如下，供工程取舍。
- SciSv3DFilter 的
Median/Gaussian可用，且是 NaN 感知的（能正确跳过无效像素），与手写实现结果一致； - SciSv3DMorphology 的
Close（闭运算补洞）可用； - SciSv3DThreshold 在本机惰性——
ManualThreshold返回码 rc=0 但输出为空，分割得自己来； - SciSv3DSampling 在距离图上的
Sampling重载失败（返回 123403001），改走点云的VoxelSampling又跨运行非确定（同一输入三次跑出 4821/4821/0 的漂移），不可靠。
因此本章主线全部采用手写、NaN 感知的确定性实现来产出图与数字，SDK 各 3D 模块则放进隔离子进程当探针，旁证其返回码与可用性（本机 3D 模块偶发 0xC0000005 访问违例，隔离以免拖垮主流程）。下面是两个最关键的手写片段。NaN 感知中值滤波，中心无效则保持无效，否则只对有效邻点取中位数：
// 3x3 NaN 感知中值：压尖刺、保边，无效点不参与也不被污染
for (int dy = -r; dy <= r; ++dy)
for (int dx = -r; dx <= r; ++dx) {
double v = h[(yy)*W + xx];
if (valid(v)) w.push_back(v); // 只收有效邻点
}
std::sort(w.begin(), w.end());
out[y*W + x] = w[w.size() / 2]; // 中位数体素栅格降采样，按 \((X,Y,Z)\) 量化到体素键，每个体素保留一个代表点：
long long ix = floor(X / L), iy = floor(Y / L), iz = floor(Z / L);
long long key = (ix*100003LL + iy)*100003LL + iz; // 体素键
Vox& g = grid[key]; // 落入同体素的点合并
if (g.n == 0) { g.rx = x; g.ry = y; } // 首点作代表
g.sx += X; g.sy += Y; g.sz += Z; ++g.n;完整可运行工程位于 code/point_cloud_preprocessing/，读者可改动噪声强度、体素边长、分割阈值自行复现全部图与数字。
工业案例：3D 锡膏检测的空洞与降采样
SPI（锡膏印刷检测）用 3D 相机量每个焊盘上锡膏的体积。锡膏镜面反光使激光无法回采，留下大量失效像素——若直接用带洞的数据积分，洞被当成零高度，体积系统性偏小，导致大量”少锡”误报。正确做法是先用形态学闭运算补上测量空洞，再积分。但补洞有一条铁律：只能修复”测量空洞”，不能填平”工艺空洞”——某处压根没印上锡膏（漏印），那是真实工艺缺陷，绝不能被补洞算法填平；区分两类空洞靠尺寸、位置与周边形貌联合判断。降采样方面：量体积要全分辨率保精度，大板定位焊盘位置时用降采样点云足够快准。教训只有一句：预处理的每一步，都要分清”修复测量缺陷”与”抹掉真实信号”。
38.7 小结
本章的要点可以浓缩为以下几条。
- 预处理是 2D 增强在 3D 的对应篇。去噪、补洞、降采样、分割四步，分别对应空间滤波、形态学、采样、阈值——把”灰度”换成”高度”，二维的成熟算法大多能直接搬到距离图上复用。
- 失效像素绝不能当 0 参与运算。3D 的每一步算子都必须 NaN 感知，只统计有效邻点；否则一个洞就会把周围的真实高度拉出一道假沟。
- 中值除尖刺、高斯抹尖刺。@sec-spatial_filtering 的教训在 3D 重现：中值把尖刺压到只剩 5 个（RMS 32.09→2.28μm），高斯却把尖刺涂成鼓包（残留 14 个）；级联中值+高斯做到 1.61μm。
- 补洞要分清测量缺陷与真实信号。闭运算填小洞（3858→1）很有效，但大面积缺失强行插值补出的是假数据——和遮挡处”宁缺毋造”是同一两难。
- 降采样是 3D 跑得动的前提。体素栅格把 76799 点降到 4901 点（15.7×）且保住结构边缘；百万点的 ICP/匹配不先降采样就会爆，但高精度测量仍需全分辨率。
关于三维数据滤波、形态学与分割在工业检测中更系统的论述，可进一步参阅 Steger 等人的著作 (Steger, Ulrich, 和 Wiedemann 2018)。本章统计离群剔除（SOR）的”邻域平均距离 \(\mu+t\sigma\)“判据，源出 Rusu 等人为家居场景构建点云物体地图时提出的去噪流程 (Rusu 等 2008)；体素栅格降采样与上述各算子的开源参考实现可见点云库（PCL）总览 (Rusu 和 Cousins 2011)。