2025测绘程序设计国赛实战 | 基于统计滤波算法的点云去噪
前言
好吧，还是决定至少写一遍点云去噪哈哈。
昨夜最后一场预赛，小编有一个很强烈的感觉就是，对比第一次，现在在算法排布对全局逻辑拈连上，真的已经更倾向于唯手熟尔的状态了。看过一本神经学相关的书，里面对学习的阐释又一次回荡在小编脑海，大概是这样：“学习，最难的就是让那些本无关的神经元建立起联系”，但是建立起联系只是学习的第一步，要在一次一次地重复，强化中，让髓鞘（神经元链接的物质）一点一点加宽加厚。
所以，每一次尝试，都一定不会是徒劳无获。
本文用到的数据是小编站在巨人的肩膀得到的，小编将前辈写下的项目抛给我的助理，让它捏出一版试题册，然后上午花了两个多小时，将程序实现。关于这个赛题小编没有做过深的研究，本文的大致结构就是基于这个试题册，从试题介绍、数据分析＆算法原理、C#实现这三部分，跟大家做浅层分享 。
一、试题介绍
（一）六大选题
//基本上是基操了哈哈，小编每篇文章都要把这张图片放上，不管大家什么时候看到小编的拙作，都能知道今年要考个什么东西哈哈。
（二）本题要求
基于统计滤波的点云去噪，将点云空间划分为规则格网，根据k个邻近点的统计特性识别并移除噪点。
（三）基本认识
点云：由大量三维（或二维）坐标点组成的数据集，通常通过激光雷达、相机等设备采集，广泛应用于测绘、三维建模、自动驾驶等领域。每个点包含空间坐标（x,y,z 或 x,y），可能附带颜色、强度等属性。
点云噪声：采集过程中因设备误差、环境干扰（如光线、遮挡）或物体表面特性（如反光）引入的异常点。噪声点的特征是：与周围 “正常点” 的空间分布不一致（如距离过远、分布离散）。（说实话，小编一年级第一次拿到关于点云的文献读的时候，里面讲什么噪声，我真的首先想到的是我的降噪耳机哈哈哈）
统计滤波的核心思想：统计滤波属于局部邻域分析法，其基本假设是：正常点在局部空间内的分布具有统计一致性（如距离、密度等特征符合某种概率分布），而噪声点会显著偏离这种一致性。（找没有团体操守的点）
k 个邻近点的统计特性分析：“k 个邻近点” 指每个目标点周围距离最近的 k 个点（k 为预设参数，如 5-50），通过分析这些点与目标点的距离统计特性，判断目标点是否为噪声。
（四）任务思路
- 读入数据（天黑请闭眼）
- 基于统计滤波思想，找出噪声点，标记（狼人的行为总是存在异常的）
- 去噪，得到干净的点云数据。（农民胜利）
- 附加：可以进行可视化操作，但是不是必选项。（小编的程序只是=实现了算法输出了结果，大家感兴趣也可以试试拓展可视化类，欢迎大家在议事区或私信留言，小编看到会回）
二、数据分析＆算法原理
//试题册PDF小编已上传到资源区，也放在了本文顶部，家人们有需自取。
（一）数据
- Meank：就是上一部分所谓“K个邻近点”，作为常量，可以理解为能够反映出群体特征的基本规模。
- miu：标准差倍数阈值，作为判断噪点的助理。
- 数据部分：二维点。
（二）算法实现
//罪恶了，小编这里直接把我的助理给我生成的试题册贴过来了哈哈。
//纯一溜儿丝滑到底，这道题的思路和处理还是很清晰的。
三、C#实现
//这里只给出核心算法类的完整实现。（之前有一篇小编是把源码直接附上了，但是有家人说没有图片看着方便，作为编者当然要以为读者服务为基本职业操守啦，小编也觉得图片占地小，在篇幅上大家不会有很大的阅读压力哈哈）
四、唠唠叨叨
啊，又成功活了一天哈哈。
一种矛盾的状态，一边想着时间能不能整个几倍速，早点比完让悬着的心也能赶紧入土为安。一边又想着能不能慢一点，因为总觉得还有好多漏洞需要补。小编这号人总幻想操控时间，可是时间才是它自己的主宰。
还有五天，这种能够每天只干一件事的生活就告一段落了。其实想想感觉还是也有一点不舍得的，毕竟能够每天都有事可做，能够专注在一件事上，时间不会被各种琐事冲得支离破碎，这种状态，真的是小编最喜欢，也最想要的。
好啦，不跟大家胡言乱语了哈哈，最后还是那句话，小编就是半瓶子晃荡，每次跟大家就做的分享一定一定会存在各种大大小小的问题，希望大家多多包涵，也非常非常欢迎大家批评指教，小编一定虚心学习。作为一个创作者，作为一个编者，尊重知识，真诚分享，虚心受教，就是小编给自己的最基本的戒训。
我们一起加油，世界灿烂盛大，万物共生共荣！