3. 点云统计滤波去噪

任务目标

本案例使用Open3D实现点云统计滤波去噪。给定一份包含离群噪声的原始点云，通过设置邻域点数（nb_neighbors）与标准差倍数（std_ratio），剔除与邻域平均距离偏差过大的点，并对比滤波前后的点云数量与可视化效果。

环境与依赖

• Python 3.8+，安装Open3D：pip install open3d
• 无需额外数据文件，代码使用Open3D内置的pcd_noise.ply示例点云（含高斯噪声）

完整实现

import open3d as o3d
import numpy as np

# 1. 加载带噪声的点云（Open3D内置示例）
pcd = o3d.data.PCDPointCloud().pcd_path
cloud = o3d.io.read_point_cloud(pcd)
print(f"原始点云点数: {len(cloud.points)}")

# 2. 统计滤波去噪
def statistical_filter(point_cloud, nb_neighbors=20, std_ratio=2.0):
    """统计滤波：计算每个点到邻域的平均距离，剔除超过全局均值+std_ratio*标准差的点"""
    cl, ind = point_cloud.remove_statistical_outlier(
        nb_neighbors=nb_neighbors,   # 邻域点数
        std_ratio=std_ratio          # 标准差倍数
    )
    return cl, ind

# 3. 执行滤波（可修改参数观察效果变化）
filtered_cloud, inlier_indices = statistical_filter(cloud, nb_neighbors=20, std_ratio=2.0)
print(f"滤波后点数: {len(filtered_cloud.points)}")
print(f"剔除点数: {len(cloud.points) - len(filtered_cloud.points)}")

# 4. 可视化对比（左：原始，右：滤波后）
cloud.paint_uniform_color([0.8, 0.2, 0.2])       # 原始点云红色
filtered_cloud.paint_uniform_color([0.2, 0.6, 0.2])  # 滤波后绿色
o3d.visualization.draw_geometries([cloud, filtered_cloud])

# 5. 保存结果（可选）
o3d.io.write_point_cloud("filtered_output.ply", filtered_cloud)

运行与验证

1. 运行方式：将上述代码保存为 statistical_filter.py，在终端执行 python statistical_filter.py。
2. 预期输出（基于Open3D内置示例，不同版本点数略有差异）：
   • 原始点云点数：约 5062
   • 滤波后点数：约 4778（具体数值随参数变化）
   • 剔除点数：约 284
3. 可视化验证：弹出窗口中将显示红色原始点云与绿色滤波后点云。绿色点云中远离主体表面的稀疏离群点应明显减少，主体结构保持完整。
4. 参数调优观察：修改 nb_neighbors（如10、50）或 std_ratio（如1.0、3.0），观察点数变化——std_ratio越小剔除越多，nb_neighbors越大对局部密度更敏感。

判定标准

• 程序无报错运行，控制台输出滤波前后点数且滤波后点数小于原始点数。
• 可视化窗口中绿色点云比红色点云明显更干净，稀疏离群点被有效去除，且主体几何形状未发生明显形变。
• 调整参数后点数随之变化，说明滤波效果受邻域点数与标准差倍数控制。