3. 统计滤波（Statistical Outlier Removal）：原理、均值与标准差、PCL实现与参数调优
3.1 为什么要做统计滤波？
点云数据里总有些「不速之客」。比如激光雷达打到空气中的灰尘，或者深度相机边缘的噪点。这些离群点看着不多，但影响很大——建图会飘，配准会偏。
我个人习惯，拿到原始点云的第一件事，就是做统计滤波。为什么？因为它简单、有效，而且参数很直观。说白了，就是看每个点跟邻居们「合不合群」。
3.2 原理：邻居关系与高斯分布
统计滤波的核心思想其实很朴素：
- 对每个点，计算它到所有邻居的平均距离
- 这些平均距离应该服从高斯分布
- 那些距离均值太远的点，就是离群点
你想想看，一个正常的点，周围总有几个小伙伴。如果它孤零零的，周围啥也没有，那大概率是噪声。
具体步骤是这样的：
- 设定邻居数量 k（比如 50 个）
- 对每个点，找最近的 k 个邻居
- 计算到这些邻居的平均距离 d_i
- 所有点的 d_i 构成一个分布，计算均值 μ 和标准差 σ
- 设定阈值：如果 d_i > μ + std_mult × σ，就剔除
这里的 std_mult 就是标准差倍数，也是我们调参的关键。
核心公式：
保留条件：d_i ≤ μ + std_mult × σ
其中 μ 是所有 d_i 的均值，σ 是标准差
3.3 均值与标准差：到底在算什么？
我记得刚入行时，总觉得「均值」和「标准差」是数学课上的东西。直到我在一个隧道场景里做滤波，才发现这两个值太重要了。
举个例子：
| 场景 | 均值 μ | 标准差 σ | 说明 |
|---|---|---|---|
| 室内平整墙面 | 0.05 m | 0.02 m | 点云很均匀 |
| 室外灌木丛 | 0.15 m | 0.08 m | 点云分布散 |
| 有飞点的场景 | 0.12 m | 0.25 m | 标准差突然变大 |
看到没？当场景里有飞点时，标准差会急剧增大。这时候如果还用固定的阈值，就会把很多正常点也滤掉。
我曾经在一个果园项目里吃过这个亏。果树叶子稀疏，标准差本来就大，结果我把阈值设得太死，把树干上的点都干掉了。后来我学乖了——先看统计直方图，再决定参数。
3.4 PCL实现：代码怎么写？
PCL 里已经封装好了，直接用 StatisticalOutlierRemoval 滤波器。代码不长，但有几个坑要注意。
#include <pcl/filters/statistical_outlier_removal.h>
// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 假设 cloud 已经加载了数据
// 创建滤波器对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
// 关键参数设置
sor.setMeanK(50); // 邻居数量 k
sor.setStddevMulThresh(1.0); // 标准差倍数
// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);
// 如果想看看被剔除的点
sor.setNegative(true);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_removed(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_removed);嗯，这里要注意：setNegative(true) 会返回被剔除的点，调试时很有用。我一般会先跑一遍，看看剔除的都是些什么货色。
3.5 参数调优：k 和 std_mult 怎么选？
这是大家最头疼的问题。我直接给经验值：
- k（邻居数量）：一般取 20~100。点云越密，k 可以越大。室内场景我常用 50，室外稀疏场景用 20 就够了。
- std_mult（标准差倍数）：一般取 0.5~3.0。值越小，滤得越狠。保守点用 2.0，激进点用 1.0。
调参小技巧：
先设 std_mult=3.0，看看剔除效果。如果还有明显飞点，逐步降低到 2.0、1.5。如果正常点被误删了，就调高 std_mult 或增大 k。
我曾经在一个工厂自动化项目里，点云里有大量反光造成的飞点。std_mult 设到 0.8 才勉强干净，但代价是边缘点也被削掉了一层。后来我改用半径滤波配合统计滤波，效果才好。
避坑指南：
我曾经在低密度点云上用过 k=100，结果每个点都找不到那么多邻居，算法直接崩了。记住：k 不能超过点云总点数。
3.6 核心逻辑流程图
下面这张图总结了统计滤波的完整流程，我建议你保存下来，调参时对照着看：
3.7 实战经验总结
最后分享几个我踩过的坑：
- 场景不同，参数不同：室内和室外不要用同一套参数。我习惯给每个场景单独标定一次。
- 先降采样再滤波：点云太密时，统计滤波会很慢。先体素滤波降采样，速度能快 10 倍。
- 不要迷信默认值：PCL 默认 k=50、std_mult=1.0，但这只是通用值。我见过有人直接拿来用，结果把墙上的点都滤没了。
- 可视化验证：调参后一定要用可视化工具看看效果。肉眼比任何指标都靠谱。
一句话总结：
统计滤波就是「看邻居，算距离，砍 outliers」。参数 k 控制邻居范围，std_mult 控制砍的力度。调参时先松后紧，配合可视化，效果不会差。
好了，统计滤波就聊到这儿。下一节我们讲半径滤波，那家伙在某些场景下比统计滤波更狠。