4、统计滤波：统计离群点移除原理、均值与标准差计算、PCL实现、参数设置技巧

大家好，我是你们的老朋友。今天我们来聊聊点云滤波里一个非常实用的方法——统计滤波。说白了，它就是用来干掉那些“不靠谱”的离群点的。

你想想看，激光雷达扫描的时候，难免会碰到一些“捣乱”的点。比如空气中飘着的灰尘、传感器自身的噪声，或者物体边缘反射不稳定产生的点。这些点数量少，位置又很突兀，留着它们，后续做配准、分割、特征提取，都会出问题。统计滤波，就是专门收拾这些“坏点”的。

统计离群点移除原理

这个原理其实很直观。我打个比方：你站在一群人中间，如果大部分人都挤在一起，只有一个人离得远远的，那这个人就是离群点。统计滤波也是这个逻辑。

它基于一个假设：在点云中，每个点周围都应该有足够多的邻居点。如果一个点周围太“冷清”，邻居点很少，那它大概率就是个离群点。

具体怎么做呢？它会计算每个点到它所有邻居点的平均距离。然后，对整个点云的所有平均距离，算一个全局的均值（μ）和标准差（σ）。最后，设定一个阈值。如果一个点的平均距离超出了 μ + k * σ（k 是一个倍数），就把它判定为离群点，移除掉。

嗯，这里要注意：这个“邻居”是怎么定义的？ 通常有两种方式：一种是找距离该点最近的 K 个点（K近邻）；另一种是以该点为中心，画一个半径为 R 的球，球内的点就算邻居。PCL 里默认用的是 K 近邻。

核心思想一句话总结： 统计每个点与其邻居的距离分布，把那些“不合群”的点剔除。

均值与标准差计算

这部分是数学基础，但别怕，很简单。我拆开来讲。

假设我们有一个点云，里面有 N 个点。对于第 i 个点，我们计算它到 K 个最近邻居的平均距离，记作 d_i。那么，整个点云就有 N 个这样的平均距离值：d_1, d_2, ..., d_N。

均值（μ）的计算：

就是把所有 d_i 加起来，再除以 N。

μ = (d_1 + d_2 + ... + d_N) / N

标准差（σ）的计算：

标准差衡量的是这些平均距离的“离散程度”。公式是：

σ = sqrt( ( (d_1 - μ)^2 + (d_2 - μ)^2 + ... + (d_N - μ)^2 ) / N )

说白了，就是每个点的平均距离和全局平均距离的差的平方，加起来再平均，最后开个根号。

我在项目中遇到过一个问题：如果点云里离群点特别多，或者场景非常稀疏，这个均值和标准差的计算会被“带偏”。比如，一个空旷的走廊，点本来就少，平均距离自然就大。这时候再用默认参数，可能会把正常的墙点也给删了。所以，理解你的数据场景，比死记公式更重要。

PCL实现

在 PCL 里，实现统计滤波非常简单。核心就是 pcl::StatisticalOutlierRemoval 这个类。我直接上代码，大家一看就明白。

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

// 假设 cloud 是输入点云，类型是 pcl::PointCloud<pcl::PointXYZ>::Ptr
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 创建滤波器对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);           // 设置输入点云
sor.setMeanK(50);                   // 设置K近邻搜索的邻居点数
sor.setStddevMulThresh(1.0);        // 设置标准差倍数阈值
sor.filter(*cloud_filtered);        // 执行滤波，结果保存到 cloud_filtered

// 如果你想保留被移除的点（离群点），可以这样做：
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_outliers(new pcl::PointCloud<pcl::PointXYZ>);
sor.setNegative(true);              // 设置为取反，即保留离群点
sor.filter(*cloud_outliers);

你看，核心就三个步骤：设置输入、调两个参数、执行滤波。代码量很少，但参数调起来，学问可不少。

小提示： 如果你只想快速看看效果，可以先试试 setMeanK(50) 和 setStddevMulThresh(1.0)。这两个值在很多场景下是个不错的起点。

参数设置技巧

这部分是我最想跟大家分享的。参数设不好，滤波效果天差地别。我曾经就因为这个，在一个项目里折腾了两天。

统计滤波有两个关键参数：MeanK 和 StddevMulThresh。

参数	含义	设置技巧
MeanK	计算平均距离时，考虑的邻居点个数	点云密度大，可以设大一点（如50-100）；密度小，设小一点（如10-30）。我一般先设50，再根据效果微调。
StddevMulThresh	标准差倍数阈值，控制滤波的严格程度	值越小，滤波越严格，移除的点越多。通常设为1.0到2.0之间。如果场景噪声大，可以设小点（如0.8）；如果场景干净，可以设大点（如1.5）。

避坑指南：

MeanK 太小，容易误删。 比如你设成5，一个点周围只有5个邻居，稍微有点抖动，平均距离就偏大，容易被当成离群点。我曾经在室内场景里设了10，结果把墙角的一些点全删了，导致后续建图出现空洞。
StddevMulThresh 太大，容易漏删。 设成3.0以上，基本上就没什么滤波效果了，离群点全留着。
先粗调，后细调。 我的习惯是：先用 MeanK=50, StddevMulThresh=1.0 跑一遍，看看效果。如果发现正常点被误删，就增大 StddevMulThresh 或者减小 MeanK。如果发现离群点没删干净，就减小 StddevMulThresh 或者增大 MeanK。

特别注意： 统计滤波对稀疏点云效果不太好。如果你的点云每平方米只有几十个点，那每个点的邻居都很少，平均距离都很大，滤波会把所有点都当成离群点。这种情况下，我建议先做体素滤波降采样，或者改用半径滤波。

最后，我画了一张图，帮大家把统计滤波的整个流程串起来。你看一眼，应该就全明白了。

好了，关于统计滤波，核心内容就这些。记住它的原理、两个关键参数，以及我分享的那些实战技巧。下次你在项目里遇到离群点，就知道该怎么收拾它们了。

可可精品资料库

📚 课程目录

4、统计滤波：统计离群点移除原理、均值与标准差计算、PCL实现、参数设置技巧

统计离群点移除原理

均值与标准差计算

PCL实现

参数设置技巧