4. 统计滤波（StatisticalOutlierRemoval）：去除离群点、均值与标准差

点云里总有些「不速之客」。

比如激光雷达打到飞鸟身上，或者传感器自身的噪声，都会产生一些孤立的、远离主物体的点。这些点我们叫它离群点。如果不处理，后续的聚类、分割、目标跟踪都会受影响。

统计滤波，就是专门干这个的。它不复杂，但很实用。我个人习惯在预处理阶段先做一轮统计滤波，效果往往立竿见影。

4.1 核心思想：点云里的「统计学」

统计滤波的原理，说白了就是一句话：每个点周围邻居的距离，应该符合某种统计规律。

如果一个点离它的邻居们太远了，那它大概率是离群点。

具体怎么做呢？

1. 对每个点，计算它到所有K个最近邻的平均距离。
2. 所有点的平均距离会形成一个分布。这个分布近似高斯分布。
3. 计算这个分布的均值 μ 和标准差 σ。
4. 设定一个阈值：μ + std_mult × σ。如果一个点的平均距离大于这个阈值，就把它干掉。

嗯，这里要注意：std_mult 是一个可调参数，通常取1.0到3.0之间。值越大，保留的点越多，滤波越温和。

4.2 代码实现：手写一个统计滤波器

PCL里已经有现成的 StatisticalOutlierRemoval，但我建议你至少手写一次。我在项目中遇到过一个问题：PCL默认的K近邻搜索用的是KD-Tree，但如果点云特别大，内存会爆。后来我改用了体素下采样+统计滤波的组合，才把性能稳住。

下面是一个完整的Python实现，用Open3D做演示：

import open3d as o3d
import numpy as np

def statistical_outlier_removal(pcd, nb_neighbors=20, std_ratio=2.0):
    """
    统计滤波去除离群点
    :param pcd: open3d.geometry.PointCloud
    :param nb_neighbors: K近邻数量
    :param std_ratio: 标准差倍数
    :return: 滤波后的点云
    """
    # 计算每个点的K近邻平均距离
    tree = o3d.geometry.KDTreeFlann(pcd)
    points = np.asarray(pcd.points)
    distances = []

    for i in range(len(points)):
        [k, idx, _] = tree.search_knn_vector_3d(pcd.points[i], nb_neighbors)
        # 排除自身，取K-1个邻居
        neighbor_points = points[idx[1:]]
        dist = np.linalg.norm(neighbor_points - points[i], axis=1)
        avg_dist = np.mean(dist)
        distances.append(avg_dist)

    distances = np.array(distances)
    mean = np.mean(distances)
    std = np.std(distances)
    threshold = mean + std_ratio * std

    # 保留距离小于阈值的点
    keep_indices = np.where(distances <= threshold)[0]
    filtered_pcd = pcd.select_by_index(keep_indices)

    print(f"原始点数: {len(points)}")
    print(f"保留点数: {len(keep_indices)}")
    print(f"均值: {mean:.4f}, 标准差: {std:.4f}, 阈值: {threshold:.4f}")

    return filtered_pcd

# 使用示例
if __name__ == "__main__":
    # 加载点云
    pcd = o3d.io.read_point_cloud("example.pcd")
    
    # 统计滤波
    filtered = statistical_outlier_removal(pcd, nb_neighbors=20, std_ratio=2.0)
    
    # 可视化对比
    pcd.paint_uniform_color([1, 0, 0])  # 原始点云红色
    filtered.paint_uniform_color([0, 1, 0])  # 滤波后绿色
    o3d.visualization.draw_geometries([pcd, filtered])

4.3 参数调优：均值与标准差的秘密

统计滤波有两个关键参数：K（近邻数量） 和 std_mult（标准差倍数）。

参数	作用	推荐范围	我的建议
K	决定局部邻域大小	10 ~ 50	点云稀疏时用大K，稠密时用小K
std_mult	控制滤波强度	1.0 ~ 3.0	保守场景用2.0，激进场景用1.5

你想想看，如果K设得太小，比如K=5，那每个点只看了5个邻居，统计结果不稳定。如果K设得太大，比如K=100，那局部细节会被平滑掉，边缘点容易被误删。

我一般先设K=20，std_mult=2.0，然后看效果微调。如果离群点没去干净，就减小std_mult；如果好点被误删了，就增大std_mult。

4.4 可视化理解：一张图看懂统计滤波

下面这张SVG图，展示了统计滤波的完整流程。从原始点云到计算距离分布，再到阈值判断，最后输出干净的点云。

4.5 实战中的注意事项

• 点云密度不均匀时：统计滤波容易把稀疏区域的点误删。我建议先做体素滤波均匀化，或者使用半径滤波作为补充。
• 边缘点处理：物体边缘的点，邻居距离天然较大。如果std_mult设得太小，边缘点会被误删。我一般保留std_mult≥1.5。
• 实时性要求：统计滤波的K近邻搜索是O(NlogN)的，对于百万级点云，建议先下采样再滤波。
• 多帧融合场景：如果做多帧点云融合，统计滤波的参数需要根据帧间噪声变化动态调整。我做过一个自适应参数方案，效果不错。

统计滤波是点云预处理里最基础也最实用的工具之一。它不花哨，但能解决80%的离群点问题。掌握了它，你的点云数据质量会上一个台阶。