📚 课程目录第3章点云预处理

3. 点云预处理

任务目标

本案例使用PCL（Point Cloud Library）的统计滤波（StatisticalOutlierRemoval）对含噪点云进行去噪处理。通过调整两个关键参数——邻域点数（MeanK）与标准差阈值（StddevMulThresh），观察去噪效果差异，并统计滤波前后的点云数量变化，为后续配准、分割等处理提供干净的数据输入。

环境与依赖

Ubuntu 20.04+ / Windows 10+，已安装PCL 1.10+及CMake 3.10+
输入数据：使用PCL官方示例点云 table_scene_lms400.pcd（含离群噪声），可从PCL测试数据目录获取，或使用任意含离群点的PCD文件

完整实现代码

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <iostream>

int main(int argc, char** argv) {
    // 输入输出文件路径
    std::string input_file = "table_scene_lms400.pcd";
    std::string output_file = "table_scene_filtered.pcd";
    if (argc >= 2) input_file = argv[1];
    if (argc >= 3) output_file = argv[2];

    // 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>(input_file, *cloud) == -1) {
        std::cerr << "无法读取文件: " << input_file << std::endl;
        return -1;
    }
    std::cout << "原始点云点数: " << cloud->size() << std::endl;

    // 创建统计滤波器
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(30);           // 邻域点数
    sor.setStddevMulThresh(1.0); // 标准差阈值倍数
    sor.filter(*cloud);

    std::cout << "滤波后点数: " << cloud->size() << std::endl;

    // 保存结果
    pcl::io::savePCDFileBinary(output_file, *cloud);
    std::cout << "结果已保存至: " << output_file << std::endl;
    return 0;
}

CMake配置

cmake_minimum_required(VERSION 3.10)
project(statistical_filter)
find_package(PCL 1.10 REQUIRED COMPONENTS io filters)
add_executable(statistical_filter statistical_filter.cpp)
target_link_libraries(statistical_filter ${PCL_LIBRARIES})
add_definitions(${PCL_DEFINITIONS})

编译与运行

# 编译
mkdir build && cd build
cmake ..
make

# 运行（默认参数 MeanK=30, StddevMulThresh=1.0）
./statistical_filter

# 自定义参数运行（修改源码中setMeanK/setStddevMulThresh值后重新编译）
# 或直接修改源码中的参数值进行对比实验

参数调整与效果评估

为观察参数影响，建议修改源码中setMeanK和setStddevMulThresh的值，分别编译运行并记录输出点数：

固定MeanK=30，将StddevMulThresh分别设为0.5、1.0、2.0：阈值越小，被判定为离群点的数量越多，去噪越激进，但可能误删有效边缘点。
固定StddevMulThresh=1.0，将MeanK分别设为10、30、50：邻域点数越多，统计估计越稳定，但对局部密度变化更敏感。

验证方法与通过标准

数量验证：运行程序后，观察控制台输出的“原始点云点数”与“滤波后点数”。滤波后点数应少于原始点数，且差异量随标准差阈值减小而增大。
可视化验证：使用PCL可视化工具或CloudCompare打开原始与滤波后的PCD文件，确认离群散点被移除，主体结构（如桌面与物体表面）保持完整。
参数敏感性验证：对比不同参数组合下的输出点数，若StddevMulThresh从2.0降至0.5时点数明显减少，说明滤波效果对参数敏感，符合统计滤波原理。

常见问题

滤波后点数反而增多：检查是否误将滤波结果赋值给输入指针（如cloud），导致二次滤波。本代码中sor.filter(*cloud)直接覆盖原指针，重复运行会叠加效果。
主体边缘被过度去除：说明标准差阈值过小（如0.5以下），或邻域点数过少导致统计不稳定。建议先以MeanK=30、阈值1.0为基准，逐步调整。
处理速度慢：统计滤波需计算每个点的邻域统计量，点云超过百万点时耗时明显。可先用体素滤波降采样，或增大MeanK减少计算量。