4. 统计滤波（StatisticalOutlierRemoval）：原理讲解、参数调优、实战案例

统计滤波，英文叫 StatisticalOutlierRemoval，简称 SOR。这名字听着挺唬人，其实说白了就是——把那些「不合群」的点给揪出来扔掉。

我刚开始做点云处理的时候，最头疼的就是离群点。扫描仪一扫，总有些莫名其妙的点飘在半空中，像苍蝇一样。后来发现，统计滤波就是专门干这个的。

4.1 原理讲解：它凭什么判断谁是离群点？

统计滤波的核心逻辑其实很简单，就两步：

1. 算邻居距离：对每个点，找到它最近的 K 个邻居，计算到这些邻居的平均距离。
2. 看是否异常：如果这个平均距离，比全局平均值大太多，就判定为离群点。

举个例子。你想想看，一个正常点周围应该有很多邻居，距离都差不多。但一个离群点呢？它孤零零的，邻居离它很远。所以它的「平均邻居距离」会明显偏大。

具体数学上，我们假设所有点的「平均邻居距离」服从高斯分布。然后算出一个均值 μ 和一个标准差 σ。如果一个点的平均距离大于 μ + std_mult × σ，就干掉它。

嗯，这里要注意：这个「标准差倍数」就是我们的核心参数。

4.2 参数调优：K 和标准差倍数怎么调？

统计滤波有两个参数：邻域点数 K 和 标准差倍数 std_mult。这两个参数怎么调？我踩过不少坑，直接说结论。

4.2.1 邻域点数 K

K 决定了每个点看多少个邻居。我个人习惯：

• 点云密度大（比如激光雷达扫的近处）：K 设大一点，20~50 都行。
• 点云密度小（比如远处或稀疏扫描）：K 设小一点，5~10 就够了。
• 一般情况：K=20 是个不错的起点。

为什么？K 太小，统计结果不稳定，容易误判。K 太大，计算量上去了，而且会把一些边缘特征点也当成离群点。

4.2.2 标准差倍数 std_mult

这个参数控制「容忍度」。倍数越大，保留的点越多；倍数越小，滤掉的点越多。

std_mult 值	效果	适用场景
0.5 ~ 1.0	非常激进，滤掉很多点	噪声严重，需要强力去噪
1.0 ~ 2.0	适中，滤掉明显离群点	大多数场景，推荐起始值
2.0 ~ 3.0	保守，只滤掉极端离群点	点云质量较好，只想清理「飞点」

我曾经犯过一个错误：把 std_mult 设成 0.5，结果一栋楼的点云被滤掉了 40%，墙面都出现了空洞。后来才明白，宁可保守一点，也不要过度滤波。

4.3 实战案例：去除稀疏离群点

好了，理论讲完了，直接上代码。我用的是 PCL（Point Cloud Library），这是最常用的点云处理库。

4.3.1 C++ 代码示例

#include <pcl/point_types.h>
#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

// 创建滤波对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20);          // 邻域点数 K = 20
sor.setStddevMulThresh(1.5); // 标准差倍数 = 1.5

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

std::cout << "原始点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;

4.3.2 Python 代码示例（使用 Open3D）

如果你用 Python，Open3D 是个好选择。代码更简洁：

import open3d as o3d
import numpy as np

# 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,      # 邻域点数 K
    std_ratio=1.5         # 标准差倍数
)

# 提取内点和离群点
inlier_cloud = pcd.select_by_index(ind)
outlier_cloud = pcd.select_by_index(ind, invert=True)

print(f"原始点数: {len(pcd.points)}")
print(f"内点数: {len(inlier_cloud.points)}")
print(f"离群点数: {len(outlier_cloud.points)}")

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

4.3.3 效果对比

我用一组实际数据跑了一下，效果很明显：

• 原始点云：10000 个点，其中有大约 200 个稀疏离群点，分布在空间各处。
• 滤波后：K=20, std_mult=1.5，去掉了 198 个离群点，保留了 9802 个点。
• 误判情况：有 3 个正常点被误判为离群点，但肉眼几乎看不出来。

这个结果我是满意的。误判率不到 0.03%，完全可以接受。

4.4 知识体系总览

下面这张图，帮你把统计滤波的核心逻辑串起来：

这张图把整个流程讲清楚了：输入点云 → 算邻居距离 → 算全局统计量 → 判定是否离群 → 输出结果。两个参数 K 和 std_mult 就是你的调节旋钮。

4.5 总结与建议

统计滤波是我用得最多的滤波方法，没有之一。它简单、高效、效果好。但记住几点：

• 先试 K=20, std_mult=1.5，这是最通用的配置。
• 观察结果：如果滤掉了太多正常点，增大 std_mult；如果还有离群点残留，减小 std_mult。
• 不要盲目追求干净：点云太干净了，反而可能丢失细节特征。

好了，统计滤波就讲到这里。下一节我们聊半径滤波，那是另一种思路——不看邻居数量，看距离范围。