统计滤波：用数学的眼光看穿点云噪声

统计滤波，说白了就是给每个点算算它跟邻居们的「亲疏远近」。我刚开始做点云处理时，总觉得这方法太简单——不就是算个距离均值嘛。直到有一次在室外扫描场景中，漫天飞舞的树叶和偶尔飞过的鸟，把点云搞得一团糟。嗯，那时候我才真正体会到统计滤波的威力。

统计滤波的核心原理

统计滤波基于一个朴素的观察：真实物体表面的点，其邻域距离分布是相对均匀的。而离群点呢？它们要么孤零零地飘在空中，要么扎堆在奇怪的位置。

具体做法是这样的：

1. 对每个点，计算它到所有k个近邻点的平均距离
2. 所有点的平均距离会形成一个分布——通常是高斯分布
3. 计算这个分布的均值μ和标准差σ
4. 设定一个阈值：μ + α × σ，其中α是标准差倍数
5. 平均距离超过阈值的点，就被判定为离群点

你想想看，这其实就是在问：「这个点跟周围邻居的距离，是不是太离谱了？」

离群点剔除策略：不是一刀切

我在项目中遇到过一个问题：直接用全局阈值，会把一些边缘特征点也干掉。比如建筑物的墙角，那里的点本来就稀疏，平均距离偏大，结果被误删了。

所以实际工程中，我一般会采用分层剔除策略：

• 第一轮：用较宽松的阈值（α=2.0~3.0），剔除明显的飞点
• 第二轮：用较严格的阈值（α=1.0~1.5），剔除边缘噪声
• 第三轮：结合局部密度信息，对稀疏区域放宽阈值

我曾经踩过一个坑：在隧道点云中，因为距离越远点越稀疏，全局统计滤波把远处的墙面点全删了。后来我改用自适应邻域半径——根据点云密度动态调整k值，才算解决了问题。

参数自适应调整方法

手动调参太累了。我做过一个项目，每天要处理上百组不同场景的点云，总不能每换一个场景就手动调一次α和k吧？

这里分享几个我常用的自适应策略：

方法	原理	适用场景
基于密度估计	用KD-Tree估算局部密度，密度高的区域用大k值	密度不均匀的点云
基于残差分析	迭代计算，每次剔除后重新统计，直到残差收敛	噪声比例未知的场景
基于直方图	绘制距离直方图，自动寻找波谷作为阈值	离群点与正常点分布明显分离时

我个人最常用的是基于残差分析的方法。代码实现也不复杂：

def adaptive_statistical_filter(pcd, k=30, max_iter=5):
    for i in range(max_iter):
        # 计算每个点的邻域平均距离
        distances = compute_neighbor_distances(pcd, k)
        mu = np.mean(distances)
        sigma = np.std(distances)
        
        # 自动确定阈值：用3-sigma原则
        threshold = mu + 3.0 * sigma
        
        # 剔除离群点
        inlier_mask = distances < threshold
        pcd = pcd[inlier_mask]
        
        # 如果剔除比例很小，说明收敛了
        if np.sum(inlier_mask) / len(distances) > 0.99:
            break
    
    return pcd

知识体系总览

下面这张图，是我自己总结的统计滤波知识框架。你看一眼就能明白整个逻辑链条：

说白了，统计滤波就是一场「点云社交距离」的审查。离群点就像聚会中不合群的人——要么离大家太远，要么行为异常。我们用数学的方式，把它们请出去。

可可精品资料库