4. 半径滤波（Radius Outlier Removal）：原理详解、PCL实现、参数调优
点云滤波这个事儿，说白了就是给数据“去伪存真”。上一章我们聊了统计滤波，它适合处理那些分布比较均匀的离群点。但实际项目中，我遇到过不少情况——比如激光雷达扫到一只飞过的鸟，或者扫地机器人撞到桌腿时产生的零星噪点。这些点离主体点云很远，但数量又不多。这时候，半径滤波就派上用场了。
4.1 原理详解：为什么是“半径”说了算？
半径滤波的核心思想非常直观：如果一个点周围没有足够多的邻居，那它大概率是个“孤魂野鬼”。
具体怎么判断呢？我习惯这么理解：
- 画个圈：以每个待判断的点为中心，设定一个半径
r（比如0.1米）。 - 数人头：统计这个球体内有多少个其他点。
- 下判决：如果邻居数量小于设定的阈值
k（比如3个），就把这个点标记为离群点，直接干掉。
你想想看，一个正常的墙面点云，每个点周围密密麻麻都是兄弟。而一个孤立的噪点，周围空空荡荡。半径滤波就是抓住了这个本质区别。
核心公式（其实不算公式）：
对于点 p_i，搜索半径 r 内的邻域点集 N(p_i)。
如果 |N(p_i)| < k，则 p_i 为离群点。
就这么简单，没有复杂的概率模型，纯靠“人缘”好坏。
我曾经在一个室内建图项目里，用统计滤波死活调不好参数。后来换成半径滤波，把半径设成0.05米，邻居阈值设成2，那些飘在空中的零星噪点瞬间被清干净了。嗯，有时候简单粗暴反而最有效。
4.2 PCL实现：代码说话
理论讲完了，咱们直接上代码。PCL里已经封装好了 RadiusOutlierRemoval 类，用起来非常顺手。
#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. 填充点云数据（此处省略读取步骤）
// cloud = ... 从文件或传感器读取
// 3. 创建滤波器对象
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
// 4. 设置参数
outrem.setInputCloud(cloud);
outrem.setRadiusSearch(0.1); // 搜索半径：0.1米
outrem.setMinNeighborsInRadius(3); // 邻居阈值：至少3个点
// 5. 执行滤波
outrem.filter(*cloud_filtered);
// 6. 输出结果
std::cerr << "滤波前点数: " << cloud->size() << std::endl;
std::cerr << "滤波后点数: " << cloud_filtered->size() << std::endl;
代码就这么几行。我个人习惯把 setRadiusSearch 和 setMinNeighborsInRadius 放在一起调，因为这两个参数是“夫妻档”，必须配合着来。
小技巧： 如果你不确定半径设多大，可以先算一下点云的平均点间距。用 pcl::computeCloudResolution() 估算一下，然后半径设为平均间距的 2~3 倍，通常效果不错。
4.3 参数调优：半径大小与邻居阈值
参数调优是半径滤波的核心，也是很多新手头疼的地方。我踩过不少坑，这里把经验总结一下。
4.3.1 半径大小（Radius Search）
- 半径太小：容易把正常的点误删。比如墙面点云，如果半径设成0.01米，可能每个点周围都找不到几个邻居，结果整面墙都被删了。
- 半径太大：离群点可能被“包庇”。比如一个孤立的噪点，如果半径设成1米，它周围可能正好有几个远处的点，就被误判为内点了。
- 我的经验值：对于室内场景（如走廊、房间），0.05~0.2米是个不错的起点。对于室外场景（如道路、树木），可以放宽到0.3~0.5米。
4.3.2 邻居阈值（Min Neighbors in Radius）
- 阈值太低：滤波效果不明显。设成1的话，基本等于没滤。
- 阈值太高：会把边缘点也删掉。比如墙角处的点，天然就比平面上的点邻居少，阈值设成10，墙角就没了。
- 我常用的范围：2~6。对于稀疏点云，2~3就够了；对于稠密点云，可以设到4~6。
避坑指南： 我曾经在一个果园的建图项目里，把半径设成0.3米，邻居阈值设成5。结果树干上的点被大量误删，因为树干是圆柱形，每个点周围的邻居确实比墙面少。后来我把半径缩小到0.15米，阈值降到3，效果才正常。所以，一定要根据你的点云密度来调，别死记硬背参数。
4.3.3 参数组合速查表
| 场景 | 点云密度 | 推荐半径 (m) | 推荐邻居阈值 |
|---|---|---|---|
| 室内墙面（激光雷达） | 高（每平米数千点） | 0.05 ~ 0.1 | 3 ~ 5 |
| 室外道路（车载LiDAR） | 中（每平米数百点） | 0.2 ~ 0.4 | 2 ~ 4 |
| 无人机航测点云 | 低（每平米数十点） | 0.5 ~ 1.0 | 2 ~ 3 |
| RGB-D相机（Kinect） | 高但噪声大 | 0.03 ~ 0.08 | 4 ~ 6 |
这张表是我自己总结的，不一定适用所有情况，但可以作为初始值。你想想看，调参就像炒菜放盐——先按菜谱来，再根据口味微调。
4.4 半径滤波 vs 统计滤波：怎么选？
很多同学会问：既然都是去噪点，半径滤波和统计滤波有啥区别？我什么时候该用哪个？
我的理解是这样的：
- 统计滤波：适合处理“分布均匀的离群点”。比如高斯噪声、测量误差。它看的是全局统计特性。
- 半径滤波：适合处理“孤立稀疏的离群点”。比如飞鸟、灰尘、镜面反射点。它看的是局部密度。
说白了，如果你的点云里噪点是一小撮一小撮的，用统计滤波；如果是零星几个孤立的，用半径滤波。我一般会两个都试一下，哪个效果好就用哪个。有时候也会组合使用——先用半径滤波干掉大离群点，再用统计滤波平滑一下。
一句话总结： 半径滤波是“看人缘”，统计滤波是“看平均”。人缘太差的（邻居太少），直接踢出去。
好了，这一章的内容就到这里。半径滤波虽然简单，但用好了真的能大幅提升建图质量。下次你遇到点云里飘着几个“孤魂野鬼”时，不妨试试它。