4、半径滤波（Radius Outlier Removal）：原理、邻域搜索、PCL实现与场景适配
4.1 为什么需要半径滤波？
点云里总有些「不速之客」——离群点。它们可能是传感器噪声、飞溅的灰尘，或者反射异常的点。统计滤波能干掉大部分稀疏离群点，但有一种情况它处理不好：局部密集区域里混入的孤立点。
举个例子。我在做室内三维重建时，墙角处有一片密集点云，中间偏偏飘着一个孤点。统计滤波一看，这个点离邻居不远不近，标准差没超标，放过了。但人眼一看就知道，那是个噪声。这时候，半径滤波就派上用场了。
说白了，半径滤波的逻辑非常直观：给每个点画个圈，圈里邻居太少，就干掉它。
核心思想：对于点云中的每个点，统计其半径r范围内的邻居数量。如果邻居数少于阈值k，则判定为离群点并移除。
4.2 原理与数学表达
假设我们有一个点云 \( P = \{p_1, p_2, ..., p_n\} \)，每个点 \( p_i \) 是一个三维坐标向量。半径滤波的流程如下：
- 设定参数：搜索半径 \( r \) 和邻居数量阈值 \( k \)。
- 邻域搜索：对每个点 \( p_i \)，找到以 \( r \) 为半径的球体内的所有点（包括自身）。
- 条件判断：如果球体内的点数 \( N_i < k \)，则 \( p_i \) 被标记为离群点。
- 输出：保留所有 \( N_i \geq k \) 的点。
数学上，这等价于一个密度约束。每个点的局部密度必须大于某个下限。你想想看，如果点云密度均匀，半径滤波几乎不会误删。但现实中的点云密度往往不均匀——嗯，这里要注意，半径滤波对密度变化敏感。
我曾经踩过一个坑：在扫描一个带有镂空结构的物体时，边缘处的点天然邻居少，半径滤波把它们全删了，导致模型缺了一大块。后来我改用自适应半径，才解决了这个问题。
4.3 邻域搜索：效率是关键
半径滤波最耗时的部分就是邻域搜索。如果暴力计算每个点与其他所有点的距离，复杂度是 \( O(n^2) \)，百万级点云直接卡死。所以必须用空间索引结构。
PCL 里常用的两种结构：
| 结构 | 原理 | 适用场景 | 我个人的偏好 |
|---|---|---|---|
| KdTree | 二叉树划分空间 | 中小规模点云（< 500万点） | 默认首选，稳定 |
| Octree | 八叉树递归分割 | 大规模点云、动态更新 | 点云超过千万时用 |
我个人习惯用 KdTree，因为它实现简单，而且 PCL 的 KdTree 已经高度优化。只有在点云超过 1000 万点时，我才会切换到 Octree——这时候内存占用和查询速度的平衡更重要。
小技巧：如果你用 KdTree 做半径搜索，记得设置 setEpsilon() 参数。默认的搜索半径是精确的，但加一个很小的 epsilon（比如 1e-6）可以避免浮点精度导致的边界漏检。
4.4 PCL 实现：代码实战
下面是一个完整的 PCL 半径滤波示例。我习惯把参数提取出来，方便调试。
#include <pcl/point_types.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/visualization/pcl_visualizer.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::RadiusOutlierRemoval<pcl::PointXYZ> ror;
// 设置参数
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.05); // 搜索半径 0.05 米
ror.setMinNeighborsInRadius(6); // 至少需要 6 个邻居
// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
ror.filter(*cloud_filtered);
// 输出结果
std::cout << "原始点云点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;这段代码看起来简单，但参数调起来有讲究。我在项目中遇到过一个问题：同样的参数，在室内场景效果很好，换到室外就崩了。为什么？因为室外点云密度变化大，固定半径无法适应。
4.5 参数调优：半径与阈值的博弈
半径 \( r \) 和阈值 \( k \) 是相互关联的。我总结了一个经验公式：
\[ k \approx \rho \cdot \frac{4}{3}\pi r^3 \]
其中 \( \rho \) 是点云的平均密度（点/立方米）。这个公式能给你一个初始值，但最终还是要靠实验调整。
| 场景类型 | 推荐半径 r | 推荐阈值 k | 备注 |
|---|---|---|---|
| 室内（LiDAR） | 0.05 - 0.1 m | 3 - 8 | 密度均匀，小半径即可 |
| 室外（车载） | 0.2 - 0.5 m | 5 - 15 | 密度变化大，半径要大一些 |
| 无人机航测 | 0.5 - 2.0 m | 10 - 30 | 点稀疏，阈值要放宽 |
| 深度相机 | 0.02 - 0.05 m | 2 - 5 | 近距密集，远距稀疏 |
注意：阈值 k 不要设得太高。我曾经设成 20，结果把正常点云删掉了 30%。记住，半径滤波的目标是干掉孤立噪声，不是做密度均匀化。
4.6 场景适配：什么时候用半径滤波？
半径滤波不是万能的。我总结了它的「三用三不用」：
- ✅ 适合用：点云密度相对均匀的场景（如室内 SLAM 建图）
- ✅ 适合用：需要快速去除少量孤立噪声（如深度相机边缘噪点）
- ✅ 适合用：作为预处理步骤，配合其他滤波器使用
- ❌ 不适合：点云密度剧烈变化的场景（如远距离 LiDAR 扫描）
- ❌ 不适合：需要保留薄壁结构或边缘特征（邻居天然少）
- ❌ 不适合：点云规模极大且实时性要求高（搜索开销大）
如果你遇到密度不均匀的场景，我建议先用体素滤波做下采样，让密度均匀化，再用半径滤波。或者改用统计滤波——它基于全局统计量，对密度变化没那么敏感。
4.7 核心逻辑流程图
下面这张图展示了半径滤波的完整决策过程，从输入到输出一目了然。
4.8 总结与个人体会
半径滤波是我在点云预处理中使用频率最高的滤波器之一。它简单、直观、效果好——前提是参数调对了。
我个人的工作流是这样的：先用体素滤波降采样，再用半径滤波去噪，最后用统计滤波收尾。三个滤波器配合使用，能覆盖 90% 以上的去噪需求。
最后提醒一句：不要迷信参数。每个场景都有自己的「脾气」，多试几次，用可视化工具看看效果，比死记硬背参数表靠谱得多。
我的调试习惯：先用一个较小的半径（比如 0.03m）和较低的阈值（比如 3），观察滤波效果。如果发现噪声没去干净，逐步增大半径；如果发现正常点被误删，降低阈值或增大半径。每次只改一个参数，记录效果变化。
可可精品资料库