4. 半径滤波（Radius Outlier Removal）：原理详解、半径与邻点数的关系、PCL实现、与统计滤波的对比

各位同学好，今天我们来聊聊点云滤波里一个非常实用的方法——半径滤波。英文全称叫 Radius Outlier Removal，简称 ROR。

说实话，我在做SLAM和三维重建的初期，经常被点云里的“飞点”搞得头疼。就是那种明明扫描的是墙面，结果莫名其妙飘在空中的几个点。后来我意识到，这些孤立的离群点，用半径滤波来处理，效果出奇的好。

4.1 原理详解：一句话说清楚

半径滤波的原理，说白了就是“看朋友圈”。

对于点云中的每一个点，我们以它为中心，画一个半径为 r 的球。然后数一数这个球里面有多少个邻居点。如果邻居点的数量少于我们设定的阈值 k，那这个点就被判定为离群点，直接干掉。

你想想看，一个正常的点，周围应该有不少小伙伴陪着它。而那些孤零零的飞点，周围空空荡荡，自然就被识别出来了。

嗯，这里要注意一点：半径滤波是逐个点进行判断的，不是对整个点云做全局统计。这一点和后面要讲的统计滤波有本质区别。

4.2 半径与邻点数的关系：怎么调参？

我个人习惯把这两个参数看成一对“搭档”。半径 r 和邻点数阈值 k 是相互制约的，调参的时候不能只看一个。

我给大家画个图，方便理解：

从图上可以看出来：

• 半径 r 越大，球内包含的邻居点就越多，所以阈值 k 可以设得高一些。
• 半径 r 越小，球内邻居点就少，阈值 k 就得设低一些，否则会把正常点也误删。
• 点云密度不均匀时，这个矛盾会更突出。我在项目中遇到过，用激光雷达扫描室内环境，近处的墙面点很密，远处的墙角点很稀疏。这时候一个固定的半径和阈值，很难同时照顾到远近。

4.3 PCL实现：代码说话

好了，理论讲完了，咱们直接上代码。PCL 里实现半径滤波非常简单，核心就几行。

#include <pcl/point_types.h>
#include <pcl/filters/radius_outlier_removal.h>

// 1. 创建点云对象
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 2. 加载点云（假设你已经有了）
// cloud = ... 

// 3. 创建半径滤波对象
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;

// 4. 设置参数
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.1);      // 半径：0.1米
ror.setMinNeighborsInRadius(5); // 最少邻居点数：5个

// 5. 执行滤波
ror.filter(*cloud_filtered);

// 6. 查看结果
std::cout << "滤波前点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;

代码就这么简单。但我要提醒你，setRadiusSearch 和 setMinNeighborsInRadius 这两个参数，一定要根据你的点云实际情况来调。

我曾经在一个项目里，点云的单位是毫米，结果我忘了换算，半径设成了 0.1，结果把整个点云都删光了。嗯，这种低级错误，犯过一次就记住了。

4.4 与统计滤波的对比：到底选哪个？

很多同学会问：半径滤波和统计滤波（Statistical Outlier Removal, SOR）到底有什么区别？我该用哪个？

好，我直接给你对比一下：

对比项	半径滤波 (ROR)	统计滤波 (SOR)
判断依据	每个点邻域内的绝对数量是否达标	每个点到邻居的平均距离是否偏离全局分布
核心参数	半径 r、邻点数阈值 k	邻居数 k、标准差倍数 std_mul
适用场景	孤立飞点、稀疏离群点	分布均匀的噪声点、高斯噪声
对密度变化的敏感度	高（密度不均时容易误删或漏删）	低（基于统计分布，适应性更强）
计算速度	较快（只需一次邻域搜索）	稍慢（需要计算距离分布）
我的推荐	点云密度均匀、离群点明显孤立时	点云密度变化大、噪声分布复杂时

说白了，半径滤波是个“老实人”，它只看局部，不看全局。统计滤波则更“聪明”一些，它会先看看整个点云的距离分布是什么样的，再决定哪些点是异常的。

但“聪明”也有代价。统计滤波假设点云的距离分布是高斯分布，如果你的点云不是这样，那它反而会出错。

所以我的建议是：

• 如果你知道你的离群点就是那种“孤零零飘着”的，用半径滤波，简单粗暴有效。
• 如果你的噪声是那种“均匀散布”的，或者点云密度变化很大，用统计滤波更稳妥。
• 实在拿不准？两个都试一下，对比结果再选。反正代码就几行，不费事。

好了，半径滤波的内容就讲到这里。记住它的核心：看朋友圈，朋友太少就拉黑。下节课我们继续聊点云滤波的其他方法。