PCL去离群点 之SOR和ROR详解

在 Point Cloud Library 里，去离群点最经典的就是：

• SOR：StatisticalOutlierRemoval（统计滤波）
• ROR：RadiusOutlierRemoval（半径滤波）

• SOR：用“统计分布”找异常点（全局思维）
• ROR：用“局部密度”找孤立点（局部思维）

一、SOR（统计离群点）详解

核心思想（本质）

用统计学判断“谁不合群” SOR = 看每个点“和邻居的平均距离”，太远的就是离群点

步骤：

1. 对每个点 pi​，找 K 个邻居
2. 计算这些邻居的平均距离
3. 得到所有点的距离分布（近似高斯）
4. 超过阈值的点 → 删除

数学直觉

这就是StddevMulThresh

特点总结

自适应（自动根据数据分布）
对随机噪声非常鲁棒
在边缘容易误删

典型效果

• 去掉“漂浮噪声”
• 点云整体更干净
• 保持结构

举例说明

假设有一段 1D 点（为了简单）：

正常点： 0.0, 0.1, 0.2, 0.15, 0.18 离群点： 5.0

步骤1：对每个点找邻居（假设 K=3）

比如：

点 0.1：

邻居：0.0, 0.2, 0.15
平均距离：

点 5.0（离群点）：

步骤2：统计所有点的“平均距离分布”

步骤3：计算均值 + 标准差

步骤4：设阈值（StddevMulThresh = 1）

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; sor.setInputCloud(cloud); // 每个点找50个邻居 sor.setMeanK(50); // 标准差倍数（越小越严格） sor.setStddevMulThresh(1.0); sor.filter(*cloud_filtered);

二、ROR（半径离群点）详解

核心思想

用“邻居数量”判断是否孤立

步骤：

1. 对每个点画一个半径 rrr
2. 统计邻居数量 NNN
3. 如果：

本质理解

空间密度约束

• 正常区域：点密集
• 离群点：孤零零

特点总结

直观、可控

对“孤立点”非常有效
对密度变化敏感（致命点）

pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror; ror.setInputCloud(cloud); // 搜索半径（单位：米） ror.setRadiusSearch(0.05); // 最少邻居数 ror.setMinNeighborsInRadius(10); ror.filter(*cloud_filtered);

三、SOR vs ROR 本质区别（重点）