4. 统计滤波（Statistical Outlier Removal）：原理讲解（均值与标准差）、邻域点数与标准差倍数的选择、实战案例

4.1 为什么要做统计滤波？

点云数据里，总有些“不速之客”。

比如激光雷达扫到空气中的灰尘，或者扫描边缘产生的孤立噪点。这些离群点，说白了就是跟周围邻居格格不入的点。它们数量不多，但破坏力不小——会影响后续的特征提取、配准精度。

我刚开始做点云处理时，就吃过这个亏。有一次做建筑物立面重建，结果模型上全是“麻子脸”。排查了半天，发现是几个飘在空中的噪点把平面拟合带偏了。从那以后，我养成了一个习惯：拿到点云数据，第一件事就是做统计滤波。

核心思想：统计滤波假设——正常点云中，每个点到其K个最近邻的平均距离，服从高斯分布。那些平均距离落在“尾巴”上的点，就是离群点。

4.2 原理讲解：均值与标准差

咱们一步步拆解。假设你有一个点云，里面有N个点。

  1. 第一步：计算每个点的邻域平均距离

    对每个点Pi，找到它的K个最近邻（KNN）。计算Pi到这K个点的欧氏距离，然后取平均值di。

    公式很简单：di = (1/K) * Σj=1K ||Pi - Pj||

  2. 第二步：计算全局统计量

    现在你有了N个平均距离值：d1, d2, ..., dN。计算它们的均值μ和标准差σ。

    μ = (1/N) * Σ di

    σ = sqrt( (1/N) * Σ (di - μ)2 )

  3. 第三步：判定离群点

    设定一个标准差倍数阈值std_ratio（比如1.0、2.0）。如果某个点的平均距离di满足：

    di > μ + std_ratio * σ

    那么这个点就被判定为离群点，直接剔除。

嗯，这里要注意：我们只剔除那些“距离过大”的点。那些距离特别小的点（比如重叠点）不会被剔除。为什么？因为实际场景中，重叠点往往是有效数据，比如墙面上的密集扫描点。

我的经验：统计滤波对“稀疏离群点”效果极好，但对“密集噪点块”效果一般。如果你遇到一大片噪点，建议先用体素滤波降采样，再做统计滤波。

4.3 邻域点数K与标准差倍数std_ratio的选择

这两个参数怎么调？我直接说结论，再讲道理。

参数 作用 推荐范围 调参方向
K（邻域点数） 决定局部邻域的大小 10 ~ 50 点云越密，K越大
std_ratio（标准差倍数） 决定滤波的严格程度 0.5 ~ 3.0 噪点越多，std_ratio越小

关于K的选择

K太小（比如K=2），邻域信息不够，统计结果不稳定。K太大（比如K=100），会把局部细节抹平，导致一些边缘点被误删。

我个人习惯：对于室内点云（密度均匀），K=20左右。对于室外大场景（密度变化大），K=30~50。你可以先试K=20，看效果再调整。

关于std_ratio的选择

这个参数决定了“容忍度”。std_ratio=1.0时，大约会剔除16%的点（假设正态分布）。std_ratio=2.0时，大约剔除5%。std_ratio=3.0时，只剔除0.3%。

我曾经在一个项目里，std_ratio设成1.5，结果把建筑物边缘的拐角点全删了。后来改成2.5，效果就对了。所以我的建议是：宁大勿小。先设一个较大的值（比如3.0），观察剔除的点是否真的是噪点，再逐步调小。

避坑指南：我曾经遇到过一个情况——点云密度极不均匀。一边是密集的墙面（点间距0.01m），一边是稀疏的草地（点间距0.1m）。统计滤波直接把草地上的点全删了，因为它们的平均距离远大于墙面的均值。解决方案：先对点云做均匀降采样，或者分区域做统计滤波。

4.4 实战案例：PCL实现统计滤波

下面我用PCL（Point Cloud Library）写一个完整的示例。代码不长，但包含了完整的流程。

#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() {
    // 1. 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("input_cloud.pcd", *cloud);
    std::cout << "原始点云点数: " << cloud->size() << std::endl;

    // 2. 创建统计滤波对象
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(20);          // 邻域点数K=20
    sor.setStddevMulThresh(2.0); // 标准差倍数=2.0

    // 3. 执行滤波
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*cloud_filtered);
    std::cout << "滤波后点云点数: " << cloud_filtered->size() << std::endl;

    // 4. 保存结果
    pcl::io::savePCDFileASCII("output_filtered.pcd", *cloud_filtered);

    // 5. 可视化对比
    pcl::visualization::PCLVisualizer viewer("统计滤波效果");
    int v1(0), v2(1);
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);
    viewer.addPointCloud(cloud, "original", v1);
    viewer.addPointCloud(cloud_filtered, "filtered", v2);
    viewer.spin();

    return 0;
}

这段代码做了几件事：加载点云、设置参数、执行滤波、保存结果、可视化对比。你运行后，左边窗口是原始点云，右边是滤波后的点云。一眼就能看出哪些噪点被剔除了。

4.5 核心逻辑流程图

下面这张图帮你理清统计滤波的完整流程。从输入到输出，每一步都清晰可见。

统计滤波（SOR）核心流程图 输入原始点云 步骤1：对每个点，计算K个最近邻的平均距离 步骤2：计算所有平均距离的均值μ和标准差σ 步骤3：判断 dᵢ > μ + std_ratio × σ ？ 输出滤波后点云 关键参数 • K：邻域点数 • std_ratio：标准差倍数 • 推荐K=20, std_ratio=2.0 输出结果 • 保留：正常点 • 剔除：离群噪点 • 点云更干净、更稳定

4.6 进阶技巧：如何评估滤波效果？

滤波做完了，怎么知道效果好不好？我一般看三个指标：

  • 点云数量变化：如果剔除了超过30%的点，大概率参数设得太严了。正常场景下，离群点占比通常在1%~10%。
  • 可视化检查：把原始点云和滤波后的点云放在一起对比。重点关注边缘区域和稀疏区域。
  • 下游任务验证：比如做平面拟合，看拟合残差是否明显下降。这是最实在的评估方式。

我的小技巧：如果你不确定参数，可以写一个循环，尝试不同的K和std_ratio组合，然后自动计算每个组合下点云的“平均最近邻距离”变化。变化最小的那个组合，往往是最优的。

好了，统计滤波的内容就这些。说白了，它就是一个基于局部密度统计的“清道夫”。参数调好了，效果立竿见影。下次你拿到带噪点云，不妨先试试这个老朋友。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →