4. 统计滤波（StatisticalOutlierRemoval）：离群点剔除原理、均值与标准差参数调优、实战经验

4.1 为什么要做统计滤波？

做点云处理的人，十有八九都遇到过这种场景：辛辛苦苦扫描了一堆点云，结果一看，好家伙，空中飘着几个孤零零的点，或者物体边缘长了一堆「毛刺」。这些离群点，说白了就是噪声。

我刚开始做SLAM的时候，就被这些离群点坑过。有一次在室内跑建图算法，明明墙壁是平的，结果重建出来的墙面坑坑洼洼。排查了半天，发现是激光雷达扫到玻璃窗时产生了大量反射噪点。嗯，从那以后，我养成了一个习惯——任何点云进来，先做一遍统计滤波。

统计滤波（StatisticalOutlierRemoval，简称SOR）是目前最常用的离群点剔除方法之一。它的核心思想很简单：每个点周围都有邻居，如果这个点离邻居们太远了，那它大概率是个噪声。

4.2 原理：一句话讲清楚

统计滤波的原理其实就三步：

1. 算距离：对每个点，计算它到所有k个近邻点的平均距离。
2. 算统计量：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. 设阈值：设定一个阈值 μ + std_ratio × σ。如果某个点的平均距离大于这个阈值，就把它剔除。

你想想看，正常点云的点分布比较均匀，每个点到邻居的距离差不多。而离群点呢？它孤零零的，到邻居的距离明显偏大。所以用这个办法，一抓一个准。

4.3 两个关键参数：k 和 std_ratio

统计滤波就两个参数，但调起来门道不少。我一个个说。

4.3.1 近邻数量 k

k 决定了每个点看多少个邻居。我个人习惯这样选：

• 稀疏点云（比如16线激光雷达）：k 取 10~20。点太少，统计结果不稳定。
• 稠密点云（比如64线或128线）：k 取 20~50。点多了，统计更可靠。
• 高精度场景（比如结构光扫描）：k 取 30~50。精度要求高，需要更精细的统计。

我在项目中遇到过一个问题：k 设得太小（比如 k=5），结果把一些边缘点也误删了。为什么？因为边缘点的邻居本来就少，平均距离偏大，容易被当成离群点。所以，k 不能太小。

4.3.2 标准差倍数 std_ratio

std_ratio 决定了滤波的严格程度。这个参数我一般这样调：

场景	推荐 std_ratio	说明
宽松滤波（只剔除明显噪点）	2.0 ~ 3.0	只干掉那些「离谱」的离群点
中等滤波（常规场景）	1.0 ~ 2.0	平衡去噪和保留细节
严格滤波（高精度需求）	0.5 ~ 1.0	去噪彻底，但可能损失边缘细节

说白了，std_ratio 越小，滤波越狠。但要注意，过小的 std_ratio 会把正常点也干掉。我曾经在调一个室内重建项目时，把 std_ratio 设成了 0.3，结果点云直接少了一半——连墙壁上的点都被当成离群点删了。教训深刻啊。

4.4 实战经验：避坑指南

4.5 代码示例：PCL 实现

下面给一个 PCL 的代码示例。这个代码我用了很多次，基本是标准写法：

#include <pcl/filters/statistical_outlier_removal.h>

// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 输出点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 创建统计滤波对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20);          // k = 20，近邻数量
sor.setStddevMulThresh(1.5); // std_ratio = 1.5，标准差倍数
sor.filter(*cloud_filtered);

// 如果你想看看被剔除的点
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_outliers(new pcl::PointCloud<pcl::PointXYZ>);
sor.setNegative(true);  // 取反，得到离群点
sor.filter(*cloud_outliers);

这段代码很简单，但有几个细节要注意：

• setNegative(true) 可以拿到被剔除的点，方便调试。
• 如果点云带强度或颜色信息，记得把模板参数改成对应的类型。

4.6 知识体系：一张图看懂

下面这张图总结了统计滤波的完整流程和参数调优思路：

4.7 总结

统计滤波是点云预处理中非常实用的一招。它原理简单，参数少，效果稳定。但要注意，它并不是万能的。如果点云密度变化很大，或者场景中有大量边缘点，建议结合其他滤波方法一起使用。

我个人建议，刚开始用统计滤波时，先拿一小块数据试参数。把 k 和 std_ratio 调到一个合适的范围，再应用到全量数据上。这样既省时间，又能避免「一刀切」带来的问题。

好了，统计滤波就聊到这儿。记住一句话：离群点要狠，正常点要稳。参数调好了，你的点云质量会上一个台阶。