3. 统计滤波：基于邻域统计的去噪原理、标准差倍数阈值设定、离群点剔除实战
统计滤波，说白了就是「看邻居脸色」的一种去噪方法。
我刚开始做点云处理那会儿，遇到最多的就是那种「飘在空中的孤点」。你想想看，激光扫过去，偶尔会打到空气中的灰尘或者飞鸟，这些点跟周围物体没有任何关联。统计滤波就是专门收拾这种点的。
3.1 核心原理：每个点都有个「朋友圈」
统计滤波的思路其实很朴素——对每个点，计算它到最近k个邻居的平均距离。如果这个平均距离太大，说明它跟周围邻居「关系不好」，大概率是个离群点。
具体来说，算法分两步走：
- 计算邻域距离：对每个点，找到它的k个最近邻，算平均距离
- 统计全局分布：所有点的平均距离会形成一个分布，我们假设它近似高斯分布
嗯，这里要注意。为什么假设高斯分布？我在项目中遇到过一些极端场景，比如隧道内壁的点云，分布其实偏斜得很厉害。但工程上高斯假设够用了，你想想看，大部分场景下点云的密度分布还是比较均匀的。
核心公式：
对于点 pi，其邻域平均距离 di = (1/k) · Σ||pi - pj||
全局均值 μ = (1/N) · Σdi，标准差 σ = sqrt((1/N) · Σ(di - μ)²)
判定条件：di > μ + std_mult · σ → 剔除
3.2 标准差倍数阈值：这个参数怎么调？
我个人习惯把标准差倍数（std_mult）叫做「容忍度」。这个值设得越小，剔除得越狠。
| std_mult 值 | 效果 | 适用场景 |
|---|---|---|
| 0.5 ~ 1.0 | 非常激进，剔除大量点 | 高精度扫描，噪声极少 |
| 1.0 ~ 2.0 | 适中，保留主体结构 | 大多数室内场景 |
| 2.0 ~ 3.0 | 保守，只剔除明显离群点 | 室外大场景，点云稀疏 |
| 3.0 以上 | 几乎不剔除 | 仅去除极端异常值 |
我曾经在一个厂房扫描项目里吃过亏。当时std_mult设了1.5，结果把一些边缘的薄壁结构给剔掉了。后来我改成2.0，配合调整k值，才保住了细节。所以我的建议是——先保守，再激进。从2.0开始往下调，每次看效果。
3.3 邻域点数k的选择
k值决定了每个点看多少个邻居。这个参数跟点云密度直接相关。
- k太小（比如5以下）：统计结果不稳定，容易误判
- k适中（10~30）：大多数场景的黄金区间
- k太大（50以上）：计算量大，且会模糊局部细节
我的经验：如果点云密度不均匀，可以试试自适应k值。比如根据局部密度动态调整邻居数。不过PCL里没有现成的实现，得自己写。
3.4 实战：PCL代码实现
直接上代码。这是我在项目里反复用过的模板：
#include <pcl/filters/statistical_outlier_removal.h>
// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
// 创建滤波器
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20); // 邻域点数
sor.setStddevMulThresh(2.0); // 标准差倍数
sor.filter(*cloud_filtered);
// 保存结果
std::cout << "原始点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;避坑指南：我曾经在ROS环境下跑这段代码，发现滤波后点云数量没变。排查了半天，原来是输入点云里包含了NaN点。统计滤波对NaN的处理方式跟你想的不一样——它会把NaN点当作有效点参与计算。所以记得先做一步NaN去除。
3.5 可视化验证：看效果
滤波完一定要看效果。我习惯用PCL的visualizer同时显示原始和滤波后的点云：
// 可视化对比
pcl::visualization::PCLVisualizer viewer("统计滤波效果");
int v1(0), v2(1);
viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);
viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);
viewer.addPointCloud(cloud, "original", v1);
viewer.addPointCloud(cloud_filtered, "filtered", v2);
viewer.spin();你想想看，左边是原始点云，右边是滤波后的。如果右边出现了不该有的空洞，说明参数太激进了。如果左边那些飘着的孤点还在右边，说明参数太保守了。
3.6 知识体系：统计滤波的核心逻辑
下面这张图是我自己总结的，把统计滤波的整个流程串起来了：
3.7 参数调优的实战建议
最后总结一下我这些年调参的心得：
- 先看数据：用PCL的getMinMax3D看看点云范围，用compute3DCentroid看看分布
- 从默认值开始：k=20, std_mult=2.0，这是PCL的默认值，也是大多数场景的起点
- 迭代调参：每次只改一个参数，看效果再决定下一步
- 保留原始数据：滤波前先备份，万一调崩了还能恢复
一句话总结：统计滤波就是「看邻居脸色」——邻居多的留下，邻居少的滚蛋。参数调得好，噪声去得掉；参数调不好，细节全没了。
好了，统计滤波就聊到这儿。记住，没有万能的参数，只有不断试错的经验。你多跑几组数据，自然就找到感觉了。