4. 统计滤波器原理：统计学离群点剔除，均值与标准差计算，阈值设定方法

统计滤波器，说白了就是给点云做一次「体检」。

我在项目里经常遇到这种情况：扫描出来的点云，总有几个点飘得老远。这些离群点不是噪声，就是测量误差。你想想看，如果带着这些「坏点」去做融合，结果肯定一塌糊涂。

那怎么剔除它们呢？统计学给了我们一个很优雅的方案。

4.1 核心思想：邻居说了算

统计滤波器的逻辑其实很简单——每个点，由它的邻居来评判。

具体来说：

• 对每个点，找到它周围的 k 个最近邻
• 计算这个点到所有邻居的平均距离
• 如果这个平均距离「异常大」，那这个点大概率是离群点

为什么会这样？因为正常点周围总是有密集的邻居。而离群点周围空荡荡的，邻居离它很远。我刚开始做点云处理时，觉得这方法太粗暴了。后来发现，嗯，简单的东西往往最可靠。

4.2 均值与标准差计算

这里涉及两个关键统计量：均值 μ 和 标准差 σ。

计算过程分两步：

1. 第一步：对每个点 p_i，计算它到 k 个最近邻的平均距离 d_i
2. 第二步：对所有 d_i 求均值和标准差

公式长这样：

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

其中 N 是点云总点数。d_i 就是第 i 个点的邻域平均距离。

我记得有一次处理激光雷达数据，点云里有大量地面点。这些地面点分布非常均匀，它们的 d_i 值都很接近。而空中飘着的树叶点，d_i 值明显偏大。统计滤波器一下子就抓住了这个差异。

4.3 阈值设定方法

有了均值和标准差，阈值怎么设？

标准做法是：设定一个倍数因子 std_ratio。

判断条件：

如果 dᵢ > μ + std_ratio × σ，则点 pᵢ 被判定为离群点

这个 std_ratio 就是我们要调的参数。它控制着滤波的严格程度：

std_ratio 值	滤波效果	适用场景
0.5 - 1.0	非常严格，剔除较多点	噪声严重的数据
1.0 - 2.0	适中，保留主要结构	大多数通用场景
2.0 - 3.0	宽松，只剔除明显离群点	数据质量较好时

我曾经踩过一个坑：把 std_ratio 设成 0.5，结果把点云边缘的正常点全剔除了。因为边缘点的邻居本来就少，平均距离自然偏大。嗯，这里要注意——阈值太严格会伤及无辜。

4.4 完整流程与代码实现

下面这张图展示了统计滤波器的完整流程：

代码实现其实很简单。Open3D 里已经封装好了：

import open3d as o3d
import numpy as np

# 读取点云
pcd = o3d.io.read_point_cloud("input.pcd")

# 统计滤波
# k: 邻居数量，我一般用30
# std_ratio: 标准差倍数，常用1.5
cl, ind = pcd.remove_statistical_outlier(
    nb_neighbors=30, 
    std_ratio=1.5
)

# 提取内点
inlier_cloud = pcd.select_by_index(ind)

# 提取离群点（用于可视化检查）
outlier_cloud = pcd.select_by_index(
    ind, invert=True
)

# 可视化对比
o3d.visualization.draw_geometries([
    inlier_cloud.paint_uniform_color([0, 0.8, 0]),  # 绿色：保留点
    outlier_cloud.paint_uniform_color([1, 0, 0])     # 红色：离群点
])

4.5 参数选择的实战建议

参数怎么选？我总结了一个经验法则：

• k 值（邻居数）：点云密度高时用大值（40-50），密度低时用小值（15-20）。我一般从 30 开始试。
• std_ratio（标准差倍数）：先设 1.5，看效果。如果离群点没清干净，降到 1.0。如果正常点被误删，升到 2.0。

你想想看，这两个参数其实是在做权衡。k 值控制「局部范围」，std_ratio 控制「严格程度」。调参的过程，就是找到那个平衡点。

嗯，统计滤波器就讲到这里。它是我做点云预处理时最常用的工具之一。简单、高效、可解释性强——这三个优点，让它成为离群点剔除的首选方案。