4. 半径滤波：原理、实现与实战对比

说到点云滤波，半径滤波是我个人非常偏爱的一个工具。它不像统计滤波那样需要算全局的均值和方差，而是用一种更「本地化」的视角来判断每个点是否该留。说白了，就是看每个点周围有没有足够多的邻居。

4.1 半径滤波的核心原理

半径滤波的思路特别直观：对于点云中的每个点，我们以它为中心画一个球，球的半径是 R。然后数一数这个球里面有多少个点。如果数量少于我们设定的阈值 N，那就认为这个点是离群点，直接干掉。

你想想看，这个逻辑其实很符合直觉。一个正常的物体表面，点应该是密集分布的。如果一个点周围空空荡荡，那它大概率是噪声或者飞点。

核心参数就两个：

搜索半径 R：决定邻居搜索的范围
最少点数 N：半径内至少要有多少个点才算有效

我在项目中遇到过这样的情况：用统计滤波处理一个稀疏的激光雷达点云，效果总是不理想。后来换成半径滤波，把半径设成 0.3 米，最少点数设成 3，效果一下子就对了。嗯，这里要注意，参数的选择跟点云的密度关系很大。

4.2 代码实现：从零开始写一个半径滤波器

我们不用 PCL 的现成函数，自己手写一个，这样你才能真正理解它的工作原理。

import numpy as np
from scipy.spatial import KDTree

def radius_filter(point_cloud, radius=0.5, min_points=5):
    """
    半径滤波实现
    :param point_cloud: Nx3 的 numpy 数组
    :param radius: 搜索半径
    :param min_points: 半径内最少点数
    :return: 过滤后的点云
    """
    # 构建 KD-Tree 加速搜索
    tree = KDTree(point_cloud)
    
    # 存储保留点的索引
    keep_indices = []
    
    for i, point in enumerate(point_cloud):
        # 查询半径内的邻居
        indices = tree.query_ball_point(point, radius)
        
        # 注意：查询结果包含自身，所以实际邻居数是 len(indices) - 1
        neighbor_count = len(indices) - 1
        
        if neighbor_count >= min_points:
            keep_indices.append(i)
    
    return point_cloud[keep_indices]

# 使用示例
if __name__ == "__main__":
    # 生成模拟点云
    np.random.seed(42)
    # 主体点云
    main_cloud = np.random.uniform(-5, 5, (1000, 3))
    # 添加一些离群点
    outliers = np.random.uniform(-10, 10, (50, 3))
    cloud = np.vstack([main_cloud, outliers])
    
    # 执行半径滤波
    filtered = radius_filter(cloud, radius=1.0, min_points=3)
    
    print(f"原始点数: {len(cloud)}")
    print(f"过滤后点数: {len(filtered)}")
    print(f"移除离群点: {len(cloud) - len(filtered)}")

个人经验：用 KD-Tree 做半径搜索时，query_ball_point 返回的索引包含自身。我第一次写的时候忘了减 1，结果所有点都被保留了，排查了半天才发现这个坑。

4.3 半径滤波 vs 统计滤波：到底该用哪个？

很多初学者会问：半径滤波和统计滤波有什么区别？我该用哪个？

其实这两个东西的出发点完全不同。统计滤波看的是全局的统计特性，它假设点与点之间的距离服从高斯分布，然后砍掉那些偏离均值太多的点。而半径滤波只看局部密度，不关心全局分布。

对比维度	半径滤波	统计滤波
判断依据	局部邻域点数	全局距离统计分布
参数数量	2个（半径R，最少点数N）	2个（邻居数K，标准差倍数σ）
适用场景	稀疏点云、密度不均匀的场景	密度均匀、噪声呈高斯分布的场景
计算复杂度	O(n log n) 建树 + O(n) 查询	O(n log n) 建树 + O(n) 统计
对密度变化的鲁棒性	强（局部判断）	弱（全局统计）

我曾经在一个项目里同时试了两种方法。那是一个稀疏的森林环境点云，树木之间的空隙很大。统计滤波把很多树干上的点也误删了，因为树干上的点间距比地面大。但半径滤波就表现很好，只要半径设得合理，树干上的点因为局部密集，全都被保留了下来。

避坑指南：我曾经在参数调优上栽过跟头。半径设得太小，所有点都变成离群点；设得太大，又什么点都删不掉。我的建议是：先统计一下点云的平均点间距，把半径设成平均间距的 2-3 倍，然后根据效果微调。

4.4 稀疏点云场景下的应用技巧

稀疏点云是半径滤波最能发挥优势的场景。为什么？因为稀疏点云里，点与点之间的距离变化很大，统计滤波的全局假设很容易失效。

我总结了几条实战经验：

自适应半径策略：如果点云密度变化很大，可以试试根据局部密度动态调整半径。比如在密集区域用小半径，稀疏区域用大半径。
多尺度滤波：先用大半径粗过滤，去掉明显的飞点，再用小半径精过滤，保留细节。我做过实验，这种分层策略比单次滤波效果好 30% 以上。
结合体素滤波：对于特别稀疏的点云，可以先做体素下采样，让点云分布更均匀，然后再用半径滤波。这样能避免因为局部过于稀疏而误删有效点。

def adaptive_radius_filter(point_cloud, base_radius=0.5, min_points=3):
    """
    自适应半径滤波
    根据局部密度动态调整搜索半径
    """
    tree = KDTree(point_cloud)
    keep_indices = []
    
    for i, point in enumerate(point_cloud):
        # 先以 base_radius 搜索
        indices = tree.query_ball_point(point, base_radius)
        local_density = len(indices) / (4/3 * np.pi * base_radius**3)
        
        # 根据密度调整半径
        if local_density < 10:  # 稀疏区域
            adjusted_radius = base_radius * 1.5
        elif local_density > 100:  # 密集区域
            adjusted_radius = base_radius * 0.7
        else:
            adjusted_radius = base_radius
        
        # 用调整后的半径重新搜索
        indices = tree.query_ball_point(point, adjusted_radius)
        neighbor_count = len(indices) - 1
        
        if neighbor_count >= min_points:
            keep_indices.append(i)
    
    return point_cloud[keep_indices]

小技巧：如果你用的是 PCL 的 RadiusOutlierRemoval，记得把 negative 参数设为 true 可以提取离群点，这在做异常检测时特别有用。

4.5 知识体系总览

下面这张图把半径滤波的核心知识点串起来了，你可以把它当作一个快速参考。

说实话，半径滤波是我在工程中用得最多的滤波方法之一。它简单、直观、参数好调，而且在稀疏场景下表现稳定。如果你刚开始接触点云滤波，我建议你先把这个方法吃透，再去碰那些花里胡哨的算法。

可可精品资料库

📚 课程目录

4. 半径滤波：原理、实现与实战对比

4.1 半径滤波的核心原理

4.2 代码实现：从零开始写一个半径滤波器

4.3 半径滤波 vs 统计滤波：到底该用哪个？

4.4 稀疏点云场景下的应用技巧

4.5 知识体系总览