4. 半径滤波：半径搜索与点数阈值、与统计滤波的对比、适用场景分析
好，咱们接着聊点云滤波。前面讲了统计滤波，今天要聊的半径滤波，其实跟它有点像，但思路完全不同。
说白了，半径滤波的逻辑更直白：在一个给定的球半径内，如果点数不够，我就认为这个点是离群点。嗯，就这么简单。
4.1 半径滤波的核心原理
我习惯把半径滤波叫做“圈地运动”。你想象一下，每个点周围画一个半径为 r 的球，然后数一数这个球里面住了多少个邻居。如果邻居太少，比如少于 k 个，那这个点大概率是个孤魂野鬼，直接干掉。
这里有两个关键参数：
- 搜索半径 r：这个球要画多大？
- 点数阈值 k：球里至少要有几个点才算合格？
我在项目中遇到过这样的情况：用统计滤波把大片的离群点去掉了，但总有一些“漏网之鱼”——那些离主体不远不近、刚好卡在统计阈值边缘的点。这时候半径滤波就派上用场了，因为它对局部密度的变化更敏感。
4.2 代码实现与参数调优
直接上代码。PCL 里实现半径滤波非常简单，我一般这么写：
#include <pcl/filters/radius_outlier_removal.h>
pcl::RadiusOutlierRemoval<pcl::PointXYZ> radius_filter;
radius_filter.setInputCloud(cloud);
radius_filter.setRadiusSearch(0.05); // 半径 5 厘米
radius_filter.setMinNeighborsInRadius(6); // 至少 6 个邻居
radius_filter.filter(*cloud_filtered);你看，就三行核心代码。但参数怎么设？这里我踩过坑。
所以我的建议是：先看数据，再调参数。你可以先算一下整个点云的平均点间距，半径一般取平均间距的 2-3 倍。阈值的话，我习惯从 3 开始试，不够再往上加。
4.3 与统计滤波的对比
很多新手会问：半径滤波和统计滤波到底选哪个？我直接给你一张对比表，看完就明白了。
| 对比维度 | 半径滤波 | 统计滤波 |
|---|---|---|
| 判断依据 | 固定半径内的点数 | 点到邻居的平均距离 |
| 对密度变化的敏感度 | 高（局部密度不均时容易误删） | 低（基于全局统计分布） |
| 参数含义 | 半径 r + 阈值 k | 邻居数 k + 标准差倍数 σ |
| 适用场景 | 密度均匀、孤立点少 | 密度变化大、噪声分布广 |
| 计算效率 | 较快（只需一次半径搜索） | 稍慢（需计算距离统计量） |
| 典型误删情况 | 边缘点、稀疏区域点 | 密集区域中的孤立点 |
你想想看，统计滤波是“看全局”——它算的是所有点的平均距离，然后砍掉那些“太离谱”的。而半径滤波是“看局部”——它只关心这个点周围有没有足够多的兄弟。所以，统计滤波适合处理大范围的稀疏噪声，半径滤波适合清理那些零散的小离群点。
4.4 适用场景分析
半径滤波不是万能的，它有自己的“舒适区”。我总结了几个典型场景：
- 场景一：室内结构化场景
比如墙面、地面、天花板。这些地方点云密度均匀，半径滤波效果很好。我做过一个办公室重建项目，用半径滤波把桌面上飘着的几个噪点全干掉了，干净利落。 - 场景二：物体表面细节保留
如果你要保留物体的边缘和棱角，半径滤波比统计滤波更友好。因为统计滤波会“一刀切”，而半径滤波只删那些真正孤立的点。 - 场景三：实时性要求高的应用
半径滤波的计算量小，适合嵌入式设备或需要实时处理的场景。我记得有一次在 Jetson Nano 上跑点云预处理，统计滤波要 30 毫秒，半径滤波只要 15 毫秒。 - 场景四：不适用的情况
如果点云密度变化剧烈——比如远处稀疏、近处密集——半径滤波会误删大量远处的点。这时候我建议改用统计滤波，或者先做体素下采样让密度均匀化。
4.5 核心逻辑流程图
下面这张图是我自己画的，把半径滤波的整个流程串起来了。你看一眼就能明白它在干什么。
你看，流程其实不复杂。核心就是那个判断：邻居够不够？不够就删。但就是这个简单的逻辑，在实际工程中非常实用。
4.6 参数调优的实用建议
最后，我把自己调参的经验总结成几条，你直接拿去用：
- 先粗后细：先用大半径、低阈值试一遍，看看哪些点被删了。再逐步缩小半径、提高阈值。
- 可视化验证：每次调参后，一定要把滤波前后的点云叠在一起看。我习惯用 PCL 的
pcl_viewer或者 CloudCompare，一眼就能看出问题。 - 分区域处理：如果点云密度差异大，别想着一个参数打天下。我做过一个项目，把点云按距离分成近、中、远三块，每块单独调参，效果比全局滤波好得多。
- 注意边界效应：点云边缘的点，邻居天然就少。如果你发现边缘被削得太狠，可以适当降低阈值，或者用条件滤波做补充。
一句话总结： 半径滤波是点云预处理中的“精确打击武器”。它不擅长处理大范围噪声，但对付那些零散的孤立点，它比统计滤波更精准、更高效。
好了，半径滤波就聊到这儿。下一节我们讲条件滤波，那个更灵活，但用不好也容易翻车。到时候我再分享几个翻车案例给你听。