4. 统计滤波（Statistical Outlier Removal）：离群点检测原理、均值与标准差计算、PCL中的SOR实现

各位同学，欢迎来到《点云滤波算法深度拆解》的第四讲。

今天我们来聊聊一个非常实用、也是我项目里用得最多的滤波方法——统计滤波（Statistical Outlier Removal，简称SOR）。

你想想看，激光雷达扫出来的点云，是不是经常有一些“飘”在空中的孤立点？或者离主体目标很远、明显是噪声的点？这些点我们称之为离群点。它们是怎么来的呢？可能是传感器本身的测量误差，也可能是环境中的灰尘、飞溅物，甚至是被风吹动的树叶。如果不处理掉，后续的配准、分割、识别都会受影响。

那怎么把这些“坏点”揪出来呢？统计滤波就是干这个的。

4.1 离群点检测原理：从“社交距离”说起

我习惯用一个比喻来理解统计滤波：想象你在一个拥挤的派对上。

• 正常点：大家三三两两聚在一起聊天，人与人之间的距离比较均匀，不会太远也不会太近。
• 离群点：有一个人独自站在角落里，离所有人都很远。这个人就是“离群点”。

统计滤波的原理，就是计算每个点与其k个最近邻居的平均距离。然后，我们看看这个平均距离是否“异常”。如果它比全局平均距离大很多，那它很可能就是离群点。

为什么会这样？因为正常点周围总有其他点，它们的邻居距离分布是相对集中的。而离群点周围空空荡荡，邻居距离自然就大。

4.2 均值与标准差计算：数学其实很简单

好了，原理讲完了，我们来看看具体怎么算。说白了，就是两步走：

第一步：计算每个点的邻居平均距离

对于点云中的每一个点 \( p_i \)，我们找到它的k个最近邻居（k是用户设定的参数）。然后计算 \( p_i \) 到这k个邻居的欧氏距离，再取平均值，记为 \( d_i \)。

公式很简单：

d_i = (1/k) * Σ (distance(p_i, neighbor_j))   for j = 1 to k

第二步：计算全局均值和标准差，设定阈值

现在，我们有了所有点的 \( d_i \) 值。接下来，计算这些 \( d_i \) 的全局均值 \( \mu \) 和标准差 \( \sigma \)。

公式：

μ = (1/N) * Σ d_i
σ = sqrt( (1/N) * Σ (d_i - μ)^2 )

其中N是点云中点的总数。

然后，我们设定一个阈值：

threshold = μ + std_mult * σ

这里的 std_mult 是一个倍数，通常取1.0到3.0之间。如果某个点的 \( d_i \) 大于这个阈值，我们就把它标记为离群点，移除掉。

4.3 PCL中的SOR实现：代码实战

理论说完了，咱们直接上代码。PCL（Point Cloud Library）里已经把统计滤波封装好了，用起来非常方便。

我记得我第一次用PCL的SOR时，还犯了个低级错误——忘了设置搜索半径。结果滤波完点云全没了，哈哈。后来才意识到，setMeanK 和 setStddevMulThresh 这两个参数必须配好。

下面是一个完整的示例代码：

#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/io/pcd_io.h>

int main()
{
    // 1. 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("input_cloud.pcd", *cloud);
    std::cout << "原始点云点数: " << cloud->size() << std::endl;

    // 2. 创建统计滤波对象
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);

    // 3. 设置参数
    sor.setMeanK(50);          // k近邻搜索的邻居数量，我常用50
    sor.setStddevMulThresh(1.5); // 标准差倍数，1.5是比较常用的值

    // 4. 执行滤波
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*cloud_filtered);
    std::cout << "滤波后点云点数: " << cloud_filtered->size() << std::endl;

    // 5. 保存结果
    pcl::io::savePCDFile("output_filtered.pcd", *cloud_filtered);

    // 6. （可选）获取被移除的离群点
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_outliers(new pcl::PointCloud<pcl::PointXYZ>);
    sor.setNegative(true);  // 设置为true，则提取被移除的点
    sor.filter(*cloud_outliers);
    std::cout << "移除的离群点数: " << cloud_outliers->size() << std::endl;

    return 0;
}

参数调优建议

参数	作用	我的建议
setMeanK	邻居数量k	点云密度大时取大值（如100），密度小时取小值（如20）。我一般从50开始试。
setStddevMulThresh	标准差倍数	噪声严重时取小值（如1.0），噪声轻微时取大值（如2.5）。1.5是个不错的起点。

4.4 知识体系图：统计滤波的核心逻辑

下面我用一张SVG图来总结统计滤波的完整流程，方便你理解整个逻辑链条。

4.5 总结与个人心得

统计滤波，说白了就是利用“距离的统计分布”来识别异常点。它简单、高效、可解释性强，是点云预处理中不可或缺的一环。

我在实际项目中，通常会把SOR放在体素滤波之后，因为体素滤波会让点云密度更均匀，SOR的效果会更好。另外，如果你处理的点云有大量离群点，可以先用SOR粗滤一遍，再用半径滤波（Radius Outlier Removal）精调，两者配合效果更佳。

嗯，关于统计滤波，今天就讲到这里。记住两个关键参数：setMeanK 和 setStddevMulThresh，多试几次，你就能找到最适合你数据的组合。