4. 统计滤波：去除离群点（Statistical Outlier Removal）的原理与参数调优

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。这些点看着不多，但影响很大。做配准、建图、地面提取时，它们会严重拉偏结果。

统计滤波（Statistical Outlier Removal，简称SOR）就是专门干这个的。我个人习惯叫它「SOR滤波」，简单粗暴。它的思路其实很朴素：如果一个点周围太「孤单」，那它大概率是噪声。

4.1 核心原理：点云的「社交距离」

想象一下你在一个派对上。你周围有几个人？距离多远？如果一个人周围3米内空无一人，那他要么是保安，要么是走错场了。点云里的离群点，就是这种「社交孤立」的点。

SOR滤波的具体做法分三步：

1. 计算每个点的邻域距离：对每个点，找到它的k个最近邻，计算到这些邻居的平均距离。
2. 统计全局分布：所有点的平均距离会形成一个分布。我们计算这个分布的均值μ和标准差σ。
3. 判定离群点：如果一个点的平均距离大于 μ + std_ratio × σ，就把它标记为离群点，剔除。

说白了，就是设定一个「容忍阈值」。超过这个阈值的，统统不要。

这里有个细节：为什么用平均距离而不是最小距离？ 我刚开始学的时候也困惑过。后来在项目中调试才发现，最小距离太敏感了。点云密度不均匀时，稀疏区域的最小距离可能很小，但平均距离能更好地反映局部密度特征。

4.2 两个关键参数：k 和 std_ratio

SOR滤波只有两个参数，但调起来门道不少。

参数	含义	典型范围	影响
k（邻居数）	计算平均距离时考虑的最近邻个数	10 ~ 50	k越大，滤波越平滑，但可能漏掉小簇离群点
std_ratio（标准差倍数）	判定离群点的严格程度	0.5 ~ 3.0	值越小，剔除越多；值越大，保留越多

关于k值：k太小，比如k=5，每个点的邻居太少，平均距离波动大，容易误判。k太大，比如k=100，计算量上去了，而且会把一些边缘点也当成离群点。我个人习惯在室内场景用k=20，室外场景用k=30~50。

关于std_ratio：这个参数我踩过坑。有一次做隧道点云处理，std_ratio设成1.0，结果把隧道壁上的点都剔除了——因为隧道壁点云密度均匀，但边缘处邻居少，平均距离偏大。后来调到2.5才正常。我的经验是：先保守，再激进。从2.0开始，看效果再调。

4.3 代码实现：PCL 与 Open3D

实际项目中，我主要用PCL（C++）和Open3D（Python）。两个库的接口很类似，但细节有差异。

4.3.1 PCL 实现（C++）

#include <pcl/filters/statistical_outlier_removal.h>

// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// ... 加载点云 ...

// 创建滤波对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20);          // k = 20
sor.setStddevMulThresh(2.0); // std_ratio = 2.0

// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);

// 获取离群点（可选）
sor.setNegative(true);
sor.filter(*cloud_outliers);

4.3.2 Open3D 实现（Python）

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("input.pcd")

# 统计滤波
cl, ind = pcd.remove_statistical_outlier(
    nb_neighbors=20,      # k = 20
    std_ratio=2.0         # std_ratio = 2.0
)

# 保留内点
inlier_cloud = pcd.select_by_index(ind)

# 提取离群点
outlier_cloud = pcd.select_by_index(ind, invert=True)

# 可视化
o3d.visualization.draw_geometries([inlier_cloud])

注意Open3D里有个小坑：remove_statistical_outlier返回的是内点的索引，不是直接返回滤波后的点云。你需要用select_by_index来提取。我第一次用的时候没看文档，直接用了返回值，结果报错半天。

4.4 参数调优实战策略

调参没有银弹。但有几个实用技巧：

• 先可视化原始点云：看看离群点大概是什么样子。是稀疏的孤立点，还是小簇噪声？这决定了k值的选择。
• 用直方图辅助：把每个点的平均距离画成直方图。你会看到一个主峰（正常点）和尾巴（离群点）。std_ratio就是用来切这个尾巴的。
• 迭代测试：先设std_ratio=3.0，看剔除效果。如果离群点没清干净，逐步降低到2.0、1.5。如果正常点被误删，就提高。
• 注意边界效应：点云边缘的点，邻居数天然少，容易被误判为离群点。如果边缘点很重要，可以适当提高k值或std_ratio。

4.5 知识体系：SOR滤波的核心逻辑

下面这张图总结了SOR滤波的完整流程。你可以把它当作调参时的「导航图」。

嗯，这张图把整个流程串起来了。你调参的时候，可以对照着看：改k值影响的是第二步（邻居数），改std_ratio影响的是第四步（判定阈值）。

4.6 什么时候该用SOR？

不是所有场景都适合SOR。我总结了几条经验：

• 适合：室内扫描、地面激光雷达、结构光扫描——这些场景点云密度均匀，离群点明显。
• 不适合：植被点云、远距离稀疏点云、密度剧烈变化的场景。
• 替代方案：如果SOR效果不好，试试半径滤波（Radius Outlier Removal）或条件滤波（Conditional Removal）。

我记得有一次做古建筑扫描，点云里有很多飞点（传感器反射异常）。SOR设k=30、std_ratio=1.5，效果出奇的好。但换到另一个场景——森林点云，同样的参数把树干都剔了。所以，参数没有万能值，只有适合当前数据的值。

最后说一句：SOR滤波是预处理的第一步，不是终点。滤波后的点云，记得检查一下边缘和细节区域，确保没有误删重要结构。调参是个手艺活，多试几次就有感觉了。