点云滤波ROR和SOR

点云滤波的算法细节可以通过两种常见方法进行：ROR（Radius Outlier Removal，半径离群点移除）和SOR（Statistical Outlier Removal，统计离群点移除）。两者的目标都是通过移除点云中的离群点来提高点云质量，但它们使用不同的策略。

1. ROR (Radius Outlier Removal)

算法细节：

• 原理：ROR 基于每个点在给定半径范围内的邻居点数量进行滤波。对于每个点，计算其在指定半径内的邻居点数量。如果该点的邻居数少于给定的阈值，则该点被视为离群点并移除。
• 参数：
  • 搜索半径 (radius)：定义邻域的大小。即围绕每个点的半径范围。
  • 最小邻居数 (min_neighbors)：在定义半径内，点云点需要满足的最少邻居数量。如果邻居数量少于该值，点将被视为离群点。

步骤：

1. 对于点云中的每个点，搜索半径内的邻居点。
2. 如果邻居点的数量低于阈值 min_neighbors，则该点被标记为离群点。
3. 移除这些被标记的离群点。

应用场景：

• 小规模噪声去除：当点云数据中存在一些零星的噪声点（通常由于传感器测量误差或环境干扰引起）时，ROR 能够有效去除这些独立存在的点。
• 均匀分布的点云：ROR 适用于点云中点分布较为均匀的情况，因为该方法假定每个点在给定半径范围内应该有足够多的邻居。

2. SOR (Statistical Outlier Removal)

算法细节：

• 原理：SOR 基于统计分析的方式来检测和移除离群点。对每个点计算其到最近邻居的平均距离，然后通过设定一个标准差阈值来决定该点是否为离群点。如果某点的平均距离超出某个标准差范围，则认为它是离群点。
• 参数：
  • k 邻居数 (k_neighbors)：用于计算每个点的平均邻居距离的邻居数量。
  • 标准差乘数 (stddev_mult)：用于判断离群点的标准差乘数。离群点定义为距离均值偏离超过一定倍数的点。

步骤：

1. 对于点云中的每个点，找到其 k_neighbors 个最近邻点，并计算与这些邻居点的平均距离。
2. 对所有点的平均距离计算全局均值和标准差。
3. 如果某点的平均距离超出 mean + stddev_mult * stddev，则该点被视为离群点。
4. 移除这些离群点。
   上述公式中的变量解释如下：
   mean + stddev_mult * stddev 是用于判断离群点的一个公式，主要用于基于统计分析的方法来检测异常数据点。在点云滤波的 SOR (Statistical Outlier Removal) 算法中，使用该公式可以帮助我们判断某个点是否与其周围的点相距过远，从而将其识别为离群点。

具体解释如下：

1. mean：指所有点与其邻居点的平均距离的整体均值，也就是整个点云数据中所有点的邻居距离的平均值。

2. stddev (standard deviation)：标准差，表示这些邻居距离的离散程度。标准差越大，说明这些点的邻居距离变化越大，即点云中存在较大的局部密度差异。

3. stddev_mult (standard deviation multiplier)：标准差乘数，是一个超参数，用来调整判断离群点的严格程度。常常设定为一个大于1的值（比如 1.0, 2.0 等），表示我们允许某个点的邻居距离比均值多几个标准差范围，但超过这个倍数就认为是离群点。

公式解释：

• mean + stddev_mult * stddev 是一个阈值，它定义了邻居距离的“正常范围”。如果某个点的邻居距离超出了这个阈值（比 mean 多了 stddev_mult 倍的 stddev），就认为这个点异常。

• mean 是邻居距离的平均值，代表着“正常”距离。

• stddev_mult * stddev 则是为了考虑允许的波动范围（也就是标准差乘以一个调整倍数，表示可以容忍一定的变化）。

应用：

在 SOR 算法中，对于每个点，计算其与 k 个最近邻的平均距离，然后与该点云的全局平均距离 mean 进行对比。如果该点的距离超过 mean + stddev_mult * stddev，则认为该点是离群点。

例如：

• 如果 mean 是 5，stddev 是 1，stddev_mult 设为 2，那么阈值是 mean + 2 * 1 = 7。
• 如果某个点的邻居平均距离超过 7，它将被视为离群点，因为它远远偏离了点云的平均分布。

直观理解：

• 设定较小的 stddev_mult（比如 1）时，允许的邻居距离变化较小，意味着滤波器会更加严格，会移除更多的点。
• 设定较大的 stddev_mult（比如 2 或 3）时，允许的变化较大，滤波器会更加宽松，只有距离非常大的点才会被移除。

通过这种方式，可以有效去除那些不符合局部分布的异常点，从而提高点云的质量。

应用场景：

• 点云分布不均的情况：SOR 适用于点分布不均匀的点云数据，因为它基于统计特性来决定哪些点是离群点，能够在局部密度变化较大的场景中表现良好。
• 大范围噪声去除：当点云中存在较大比例的噪声点时，SOR 由于其基于统计分析，可以更灵活地处理这些噪声。
• 多层次分布的点云：例如，在含有复杂几何结构的点云中，SOR 能有效检测并去除异常点。

总结对比：

• ROR 的优点是实现简单，并且在点云分布较均匀时效果较好，但在点云密度不均时可能表现欠佳。
• SOR 则更适合处理复杂分布的点云，能更好地适应不同密度的局部区域，但计算相对较为复杂，因为需要对点云的统计特性进行分析。

应用总结：

• 如果点云数据比较稠密且分布均匀，且噪声点是零星的孤立点，ROR 是不错的选择。
• 如果点云数据的分布存在较大变化，且噪声点成片或与其他点混杂在一起，SOR 更加适用。