4. 统计滤波（StatisticalOutlierRemoval）：原理与参数、均值与标准差设定、离群点剔除实战、参数调优经验

4.1 统计滤波到底在干什么？

统计滤波，英文叫 StatisticalOutlierRemoval，简称 SOR。说白了，它就是个「找茬」的算法。

点云里经常会有一些「孤魂野鬼」——离群点。比如激光打到玻璃上产生的噪点，或者远处飘来的一个杂点。这些点跟周围邻居格格不入，统计滤波就是专门收拾它们的。

我刚开始做点云处理时，总觉得滤波嘛，随便调调参数就行。结果有一次在矿区项目里，点云里全是扬尘噪点，普通滤波根本搞不定。后来换成统计滤波，才把地面点云给洗干净了。

它的核心逻辑其实很简单：

对每个点，计算它到最近 k 个邻居的平均距离
所有点的平均距离会形成一个分布（近似高斯分布）
那些平均距离远大于整体均值的点，就是离群点

嗯，这里要注意：它不是看单个点的位置，而是看这个点跟周围邻居的「亲密程度」。

核心公式：

对于每个点 p_i，计算它到 k 个最近邻的平均距离 d_i

整体均值 μ = mean(d_i)

整体标准差 σ = std(d_i)

如果 d_i > μ + std_ratio × σ，则判定为离群点

4.2 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。

参数	含义	典型范围	我的经验
k（邻居数量）	计算平均距离时考虑多少个近邻	10 ~ 50	室内场景用 10~20，室外用 30~50
std_ratio（标准差倍数）	判定离群点的阈值系数	0.5 ~ 3.0	保守场景用 1.0，激进场景用 2.0

关于 k 值：

k 太小，统计信息不够，容易误判。k 太大，计算量上去了，而且会把局部细节磨平。我个人习惯是先设 20，看效果再调。

关于 std_ratio：

这个值越小，剔除得越狠。std_ratio = 1.0 时，大约剔除 16% 的点（假设正态分布）。std_ratio = 2.0 时，只剔除约 2.5% 的点。

我在项目中遇到过一个问题：用 std_ratio = 1.0 去滤地面点云，结果把一些低矮植被也当离群点给删了。后来改成 1.5，效果就好多了。

小技巧：如果你不确定参数，可以先跑一次统计滤波，把离群点的索引打印出来，可视化看看是不是真的离群。别一上来就删。

4.3 均值与标准差的设定玄机

你可能会问：均值和标准差不是算出来的吗？有什么好设定的？

嗯，这里有个坑。统计滤波里的均值和标准差，是基于 所有点 的 k 近邻平均距离算出来的。但如果你的点云本身就有大量离群点，那均值和标准差都会被「带偏」。

举个例子：

正常点云的平均距离是 0.1m，标准差 0.02m
如果混入 30% 的离群点，平均距离可能变成 0.3m，标准差变成 0.15m
这时候用 std_ratio = 2.0，阈值 = 0.3 + 2×0.15 = 0.6m
原本 0.2m 的离群点反而被当成正常点了

为什么会这样？因为离群点把统计分布「拉偏」了。

我曾经在自动驾驶的激光雷达数据里踩过这个坑。点云里有一片密集的树叶，还有几个远处的飞点。统计滤波死活滤不掉飞点，一查才发现是树叶把平均距离拉大了。

避坑指南：如果点云中离群点比例超过 20%，建议先做一次粗滤（比如半径滤波），把明显的离群点干掉，再用统计滤波精修。

4.4 实战代码：PCL 中的统计滤波

直接上代码，我习惯用 PCL 库来做。这是最常用的实现。

#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

// 创建滤波器对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);

// 设置参数
sor.setMeanK(20);          // k = 20 个近邻
sor.setStddevMulThresh(1.5); // std_ratio = 1.5

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

// 如果想保留离群点（用于分析）
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_outliers(new pcl::PointCloud<pcl::PointXYZ>);
sor.setNegative(true);
sor.filter(*cloud_outliers);

std::cout << "原始点云: " << cloud->size() << " 个点" << std::endl;
std::cout << "滤波后: " << cloud_filtered->size() << " 个点" << std::endl;
std::cout << "剔除离群点: " << cloud_outliers->size() << " 个点" << std::endl;

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
如果点云很大（百万级），k 值别设太大，否则计算量爆炸
PCL 内部用了 KD-Tree 加速，但 k 值超过 50 后性能下降明显

4.5 参数调优经验：从实战中总结

参数调优没有银弹，但我总结了一套「三步走」策略：

先粗后精：先用 std_ratio = 2.0 跑一次，看看剔除的点是不是真的离群。如果是，再逐步降低到 1.5、1.0。
可视化验证：把剔除的点用红色显示，保留的点用绿色。一眼就能看出参数合不合理。
场景适配：室内场景（点云密集）用 k=10, std_ratio=1.0；室外场景（点云稀疏）用 k=30, std_ratio=2.0。

我记得有一次做桥梁检测项目，点云里有很多锈蚀的螺栓孔，这些孔周围的点密度很低。如果用统计滤波，很容易把螺栓孔边缘的点也当成离群点删掉。后来我把 k 值从 20 降到 10，std_ratio 从 1.5 升到 2.0，才保住了这些关键特征。

调优口诀：

k 值看密度，密小疏大

ratio 看纯度，纯小杂大

先看剔除点，再调也不迟

4.6 统计滤波的局限性

说实话，统计滤波不是万能的。它有几个硬伤：

对密度变化敏感：如果点云本身密度不均匀（比如近处密、远处疏），统计滤波会把远处的稀疏点误判为离群点
计算量大：每个点都要计算 k 近邻，复杂度 O(n log n)，百万级点云要跑好几秒
参数敏感：k 和 std_ratio 稍微一变，结果天差地别

我曾经在无人机航拍点云上吃过亏。点云从近到远密度逐渐降低，统计滤波把远处的山体边缘全给滤掉了。后来我改用半径滤波 + 体素滤波的组合，才解决了问题。

避坑指南：如果你的点云密度变化超过 5 倍，别直接用统计滤波。先做体素下采样让密度均匀，或者改用半径滤波。

4.7 知识体系总览

下面这张图总结了统计滤波的核心逻辑和调优路径：

这张图把统计滤波的流程和关键点都串起来了。你想想看，从原始点云到干净点云，中间就三步：算距离、算统计量、做判定。但每一步都有坑，参数调不好，结果就是灾难。

好了，统计滤波就讲到这里。记住一句话：统计滤波不是银弹，但用好了能解决 80% 的离群点问题。

课后自检清单：

✅ 理解统计滤波的「三步走」原理
✅ 知道 k 和 std_ratio 的物理含义
✅ 能写出 PCL 统计滤波的代码
✅ 掌握参数调优的「先粗后精」策略
✅ 了解统计滤波的局限性，知道何时该换方法

可可精品资料库

📚 课程目录

4. 统计滤波（StatisticalOutlierRemoval）：原理与参数、均值与标准差设定、离群点剔除实战、参数调优经验

4.1 统计滤波到底在干什么？

4.2 两个关键参数：k 和 std_ratio

4.3 均值与标准差的设定玄机

4.4 实战代码：PCL 中的统计滤波

4.5 参数调优经验：从实战中总结

4.6 统计滤波的局限性

4.7 知识体系总览