來源：https://blog.csdn.net/2403_87969572/article/details/157769488

抓取時間（ISO本地）：2026-05-18 05:17:36

---

前言

在3D計算機視覺領域，深度相機（RealSense、Kinect、LiDAR）採集的深度圖/點雲資料不可避免會引入噪聲——比如椒鹽噪聲、孤立點、稀疏噪點簇、高斯噪聲等。這些噪聲會直接影響後續的3D重建、點雲配準、目標分割等任務的精度，因此針對性去噪是3D資料預處理的核心步驟。

本文將從實際應用出發，先詳細講解點雲去噪中經典的統計濾波和半徑濾波（結合你提供的Open3D工業級程式碼逐行解析），再深入剖析深度圖去噪的核心演算法雙邊濾波（原理+實現+調優），最後實現深度圖雙邊濾波+點雲統計/半徑濾波的全流程去噪方案，兼顧邊緣保留和平滑去噪，適配大部分工業級場景。

文章目錄

• 前言
• 前置知識與環境準備
• • 核心依賴
  • 噪聲型別說明
• 第一部分：點雲去噪基礎——統計濾波&半徑濾波
• • 1.1 統計濾波（Statistical Outlier Removal）
  • • 核心原理
    • 核心用途
    • 關鍵引數
  • 1.2 半徑濾波（Radius Outlier Removal）
  • • 核心原理
    • 核心用途
    • 關鍵引數
  • 1.3 工業級點雲去噪程式碼逐行解析（你的PLY程式碼）
  • • 完整程式碼（帶詳細註釋+最佳化說明）
    • 核心模組解析
    • 調優黃金原則
• 第二部分：深度圖去噪核心——雙邊濾波（Bilateral Filter）
• • 2.1 為什麼高斯濾波不適合深度圖？
  • 2.2 雙邊濾波的核心原理
  • • 雙邊濾波的數學公式
    • • 1. 空域核（Spatial Kernel）
      • 2. 值域核（Range Kernel）
    • 雙邊濾波的核心特點
  • 2.3 雙邊濾波的核心用途
  • 2.4 雙邊濾波的實現（2D深度圖+3D點雲）
  • • 2.4.1 實現1：2D深度圖的雙邊濾波（OpenCV+NumPy）
    • • 核心程式碼（深度圖讀取+雙邊濾波+視覺化）
      • 關鍵引數調優
      • 效果說明
    • 2.4.2 實現2：3D點雲的雙邊濾波（Open3D）
    • • 核心程式碼（點雲雙邊濾波+統計+半徑濾波組合）
      • 點雲雙邊濾波引數說明
• 第三部分：工業級全流程——深度圖→點雲的聯合去噪
• • 3.1 核心原理：深度圖轉點雲
  • 3.2 全流程完整程式碼（深度圖雙邊濾波→轉點雲→點雲去噪）
  • 關鍵注意事項
• 第四部分：各濾波演算法對比與適用場景總結
• • 黃金組合策略
• 第五部分：常見問題與解決方案
• 總結

前置知識與環境準備

核心依賴

本文所有程式碼基於Python實現，需安裝以下庫：

pip install open3d numpy opencv-python matplotlib

• open3d：3D點雲處理核心庫，提供濾波、視覺化、格式轉換等功能；
• numpy：數值計算基礎，處理深度圖/點雲的陣列資料；
• opencv-python：2D深度圖的雙邊濾波、影象讀寫；
• matplotlib：深度圖濾波效果視覺化。

噪聲型別說明

深度圖/點雲的常見噪聲及對應解決方案：

1. 孤立點/椒鹽噪聲：單個離散的噪點，無鄰域點，用統計濾波剔除；
2. 稀疏噪點簇：幾個噪點聚集在一起，統計濾波無法識別，用半徑濾波剔除；
3. 高斯噪聲/均勻噪聲：深度圖上的平滑噪聲，會模糊但不破壞邊緣，用雙邊濾波平滑，且保留物體輪廓；
4. 密集小噪點團：少量噪點緊密聚集，可選3D形態學開運算處理（犧牲少量細節）。

第一部分：點雲去噪基礎——統計濾波&半徑濾波

核心是統計濾波+半徑濾波的組合，還做了超大點數最佳化、低版本Open3D相容、無效點剔除等實用設計。這部分先講兩個濾波的核心原理，再逐行解析程式碼，讓你知其然更知其所以然。

1.1 統計濾波（Statistical Outlier Removal）

核心原理

統計濾波的核心思想是基於鄰域點的距離統計特性剔除異常點，假設點雲的正常點在空間中是連續分佈的，噪點與鄰域點的距離會遠大於正常點。
具體步驟：

1. 對每個點，計算其到k個最近鄰點的歐式距離的平均值；
2. 所有點的平均距離服從高斯分佈，計算該分佈的均值 μ \mu μ和標準差 σ \sigma σ；
3. 剔除平均距離超過 μ + s t d _ r a t i o × σ \mu + std\_ratio \times \sigma μ+std_ratio×σ的點（即距離遠於正常範圍的孤立點）。

核心用途

專門剔除單點椒鹽噪聲、離散孤立點，是點雲去噪的第一步基礎操作，幾乎所有點雲去噪流程都會先做統計濾波。

關鍵引數

• nb_neighbors：每個點的近鄰數，一般取20~50（點數越多取越大）；
• std_ratio：標準差係數，一般取1.0~2.0（噪聲越嚴重，係數越小，剔除越嚴格）。

1.2 半徑濾波（Radius Outlier Removal）

核心原理

半徑濾波是統計濾波的補充，解決統計濾波對“小噪點簇”無效的問題，核心是基於鄰域點的數量剔除異常點。
具體步驟：

1. 以每個點為球心，設定一個固定半徑r，構建3D球形鄰域；
2. 統計球形鄰域內的點數量，剔除數量少於min_nn的點；
3. 即使幾個噪點聚集，其鄰域內的點數仍會遠少於正常點，因此能被有效剔除。

核心用途

專門剔除稀疏小噪點簇（2~5個噪點聚集），與統計濾波組合形成“孤立點+小簇噪點”的全覆蓋剔除，是點雲去噪的黃金組合。

關鍵引數

• radius：球形鄰域半徑（單位：米），一般取0.03~0.1m（根據點雲密度調整，密度越大半徑越小）；
• min_nn：鄰域內最小有效點數，一般取8~15（與radius匹配，半徑越大，最小點數取越大）。

1.3 工業級點雲去噪程式碼逐行解析（你的PLY程式碼）

你提供的程式碼做了很多工業級最佳化（低版本相容、超大點數防記憶體溢位、可選形態學開運算），以下分模組解析核心邏輯，標註關鍵亮點和引數調優技巧。

完整程式碼（帶詳細註釋+最佳化說明）

import open3d as o3d
import numpy as np

def ply_denoise(
    input_ply_path,  # 輸入帶噪PLY檔案路徑
    output_ply_path, # 輸出去噪後PLY檔案路徑
    # 統計濾波引數：去3D孤立點
    stat_nb_neighbors=20,
    stat_std_ratio=2.0,
    # 半徑濾波引數：去稀疏小噪點簇（單位：米）
    rad_radius=0.05,
    rad_min_nn=10,
    # 可選3D形態學開運算（類似2D腐蝕，處理密集小噪點團）
    use_morphology=False,
    morph_voxel_size=0.02,
    # 超大點數點雲專屬：輕量體素下采樣（預設開啟，降低計算量）
    use_down_sample=True,
    down_voxel_size=0.01
):
    """
    PLY點雲檔案去噪：低版本Open3D相容+超大點數點雲最佳化
    核心：統計濾波+半徑濾波，支援帶顏色/無顏色PLY，保留點雲原始資訊
    調優原則：噪聲越嚴重，stat_std_ratio越小、rad_radius越大、rad_min_nn越大
    """
    # 1. 讀取PLY點雲檔案，校驗有效性
    print(f"正在讀取PLY檔案：{input_ply_path}")
    pcd = o3d.io.read_point_cloud(input_ply_path)
    if not pcd.has_points():
        raise ValueError("讀取PLY失敗！檔案損壞或非點雲檔案")
    original_point_num = len(pcd.points)
    print(f"原始點雲點數：{original_point_num:,}")  # 千分位顯示，提升可讀性

    # 2. 核心預處理：無效點+重複點剔除【低版本Open3D相容亮點】
    # remove_infinite=True 適配所有Open3D版本（舊版本無remove_inf）
    pcd = pcd.remove_non_finite_points(remove_nan=True, remove_infinite=True)
    pcd = pcd.remove_duplicated_points()  # 剔除重複點，避免鄰域統計誤差
    preprocess_point_num = len(pcd.points)
    if original_point_num - preprocess_point_num > 0:
        print(f"預處理：剔除{original_point_num - preprocess_point_num:,}個無效/重複點")

    # 3. 超大點數最佳化：體素下采樣【工業級亮點，防記憶體溢位】
    # 點數超100萬開啟，透過體素化降低點數，不影響整體結構
    if use_down_sample and preprocess_point_num > 1000000:
        pcd = pcd.voxel_down_sample(voxel_size=down_voxel_size)
        down_point_num = len(pcd.points)
        print(f"超大點數最佳化：體素下采樣後點數{down_point_num:,}（體素大小{down_voxel_size}m）")
    else:
        down_point_num = preprocess_point_num

    # 4. 核心去噪：統計濾波+半徑濾波【黃金組合，全覆蓋離散噪點】
    # 4.1 統計濾波：去孤立點
    cl, ind = pcd.remove_statistical_outlier(nb_neighbors=stat_nb_neighbors, std_ratio=stat_std_ratio)
    pcd_denoised = pcd.select_by_index(ind)
    stat_remove = down_point_num - len(pcd_denoised.points)
    print(f"統計濾波：剔除{stat_remove:,}個孤立噪點")

    # 4.2 半徑濾波：去稀疏小噪點簇（統計濾波的補充）
    cl, ind = pcd_denoised.remove_radius_outlier(nb_points=rad_min_nn, radius=rad_radius)
    pcd_denoised = pcd_denoised.select_by_index(ind)
    rad_remove = down_point_num - stat_remove - len(pcd_denoised.points)
    print(f"半徑濾波：剔除{rad_remove:,}個稀疏噪點")

    # 5. 可選：3D形態學開運算【處理密集小噪點團，犧牲少量細節】
    # 原理：先腐蝕（剔除小簇噪點）後膨脹（恢復正常點雲結構）
    if use_morphology:
        print(f"開啟3D開運算（腐蝕+膨脹），體素大小{morph_voxel_size}m")
        pcd_down = pcd_denoised.voxel_down_sample(voxel_size=morph_voxel_size)  # 腐蝕
        pcd_down.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=morph_voxel_size*2, max_nn=30))  # 估計法向量，為膨脹做準備
        pcd_denoised = pcd_down.voxel_up_sample(voxel_size=morph_voxel_size/3)  # 膨脹

    # 6. 儲存去噪後PLY檔案，支援帶顏色點雲
    o3d.io.write_point_cloud(output_ply_path, pcd_denoised, write_ascii=True)  # write_ascii=True提升相容性
    final_num = len(pcd_denoised.points)
    total_remove = original_point_num - final_num
    print(f"\n去噪完成！總剔除{total_remove:,}個噪點，剩餘有效點數{final_num:,}")
    print(f"去噪後檔案已儲存：{output_ply_path}")

    # 7. 視覺化：超大點數建議關閉（避免卡頓）
    o3d.visualization.draw_geometries([pcd_denoised], window_name="PLY去噪結果", width=800, height=600)

    return pcd_denoised

# 主函式：僅需修改輸入輸出路徑，預設引數適配80%場景
if __name__ == "__main__":
    INPUT_PLY = "simulated_depth_scan.ply"  # 你的帶噪PLY檔案路徑
    OUTPUT_PLY = "denoised_clean.ply"       # 去噪後儲存路徑
    ply_denoise(
        input_ply_path=INPUT_PLY,
        output_ply_path=OUTPUT_PLY,
        # 噪聲嚴重時的調優示例
        # stat_nb_neighbors=25,  # 增加近鄰數，統計更穩健
        # stat_std_ratio=1.5,    # 減小系數，剔除更嚴格
        # rad_radius=0.06,       # 增大半徑，檢測更多稀疏簇
        # rad_min_nn=12,         # 增加最小點數，剔除更嚴格
        # use_morphology=True,   # 有密集小噪點團時開啟
        # morph_voxel_size=0.02
    )

核心模組解析

1. 無效點/重複點剔除：Open3D的remove_non_finite_points是核心，修復了低版本相容問題（將remove_inf改為remove_infinite），重複點會導致鄰域統計偏差，必須剔除；
2. 超大點數體素下采樣：針對500萬+的點雲，體素下采樣能在不破壞整體結構的前提下降低點數，避免後續濾波的記憶體溢位和卡頓，是工業級程式碼的關鍵最佳化；
3. 統計+半徑濾波組合：先剔除孤立點，再剔除稀疏小簇，兩者互補，覆蓋了絕大多數離散噪點場景；
4. 可選3D形態學開運算：原理是“腐蝕+膨脹”，適合處理密集小噪點團（比如10個左右噪點緊密聚集），但會損失少量細節，因此設為可選。

調優黃金原則

噪聲越嚴重（比如深度相機距離目標過遠、光照複雜），按以下方式調參：

• 統計濾波：stat_std_ratio調小（1.01.5）、stat\_nb\_neighbors調大（3050）；
• 半徑濾波：rad_radius調大（0.060.1m）、rad\_min\_nn調大（1220）；
• 密集噪點團：開啟use_morphology，morph_voxel_size取0.02~0.05m（根據點雲密度調整）。

第二部分：深度圖去噪核心——雙邊濾波（Bilateral Filter）

統計濾波和半徑濾波是點雲3D層面的去噪，適合剔除離散噪點，但無法處理深度圖2D層面的高斯噪聲/均勻噪聲（這類噪聲會讓深度圖整體粗糙，無明顯離散點）。

而雙邊濾波是深度圖去噪的經典演算法，核心優勢是邊緣保留的平滑去噪——普通高斯濾波會模糊物體邊緣，而雙邊濾波能在平滑噪聲的同時，完整保留深度圖的邊緣輪廓（比如桌子和牆面的交界、物體的輪廓），這對後續的3D重建至關重要。

2.1 為什麼高斯濾波不適合深度圖？

在講雙邊濾波前，先理解高斯濾波的侷限性：
高斯濾波是空域唯一的濾波，其權重僅由畫素的空間距離決定——距離越近，權重越大，參與濾波的貢獻越高。

公式： G σ ( x , y )

1 2 π σ 2 e − x 2 + y 2 2 σ 2 G_\sigma(x,y) = \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}} Gσ​(x,y)=2πσ21​e−2σ2x2+y2​

問題在於：深度圖的邊緣處，相鄰畫素的深度值差異極大（比如牆面深度1m，桌子深度0.5m），高斯濾波會將邊緣兩側的畫素混合，導致邊緣模糊，而邊緣是3D場景的核心結構資訊，模糊後會嚴重影響後續的點雲生成和3D重建。

2.2 雙邊濾波的核心原理

雙邊濾波的核心創新是：將空域核（Spatial Kernel）和值域核（Range Kernel）結合，濾波權重由空間距離和深度值相似性共同決定。

只有滿足兩個條件的畫素，才會參與當前畫素的濾波計算：

1. 空間近：畫素在當前畫素的鄰域內（空域核控制）；
2. 深度值相似：畫素的深度值與當前畫素的深度值差異小（值域核控制）。

這樣一來，邊緣兩側的畫素因深度值差異大，不會互相參與濾波，從而保留邊緣；而同一區域內的畫素因空間近且深度值相似，會被平滑濾波，從而去除噪聲。

雙邊濾波的數學公式

對於深度圖中的畫素 p ( x p , y p ) p(x_p,y_p) p(xp​,yp​)，其濾波後的深度值 I ( p ) I(p) I(p)為：

I ( p )

1 W p ∑ q ∈ N ( p ) w ( p , q ) ⋅ I ( q ) I(p) = \frac{1}{W_p} \sum_{q \in N(p)} w(p,q) \cdot I(q) I(p)=Wp​1​q∈N(p)∑​w(p,q)⋅I(q)
其中：

• N ( p ) N(p) N(p)：畫素 p p p的鄰域（比如3×3、5×5）；

• W p

  ∑ q ∈ N ( p ) w ( p , q ) W_p = \sum_{q \in N(p)} w(p,q) Wp​=∑q∈N(p)​w(p,q)：歸一化權重，保證濾波後深度值範圍不變；

• w ( p , q )

  w s ( p , q ) ⋅ w r ( p , q ) w(p,q) = w_s(p,q) \cdot w_r(p,q) w(p,q)=ws​(p,q)⋅wr​(p,q)：聯合權重，由空域核和值域核相乘得到。

1. 空域核（Spatial Kernel）

與高斯濾波一致，控制空間距離的權重， σ s \sigma_s σs​為空域標準差：

w s ( p , q )

e − ∥ p − q ∥ 2 2 σ s 2 w_s(p,q) = e^{-\frac{|p-q|^2}{2\sigma_s^2}} ws​(p,q)=e−2σs2​∥p−q∥2​

• ∥ p − q ∥ |p-q| ∥p−q∥：畫素 p p p和 q q q的歐式距離；
• σ s \sigma_s σs​越大，參與濾波的空間範圍越廣，平滑效果越強。

2. 值域核（Range Kernel）

控制深度值相似性的權重， σ r \sigma_r σr​為值域標準差， I ( p ) I(p) I(p)、 I ( q ) I(q) I(q)為畫素 p p p、 q q q的深度值：

w r ( p , q )

e − ∥ I ( p ) − I ( q ) ∥ 2 2 σ r 2 w_r(p,q) = e^{-\frac{|I(p)-I(q)|^2}{2\sigma_r^2}} wr​(p,q)=e−2σr2​∥I(p)−I(q)∥2​

• ∥ I ( p ) − I ( q ) ∥ |I(p)-I(q)| ∥I(p)−I(q)∥：畫素 p p p和 q q q的深度值差異；
• σ r \sigma_r σr​越大，對深度值差異的容忍度越高，平滑效果越強，但邊緣保留越弱； σ r \sigma_r σr​越小，邊緣保留越嚴格，平滑效果越弱。

雙邊濾波的核心特點

1. 邊緣保留：最核心的優勢，適合深度圖、彩色影象等需要保留邊緣的場景；
2. 區域性性：僅利用鄰域畫素進行濾波，計算速度快，非迭代；
3. 非線性：因值域核的存在，雙邊濾波是非線性濾波（高斯濾波是線性）；
4. 無引數迭代：僅需調優 σ s \sigma_s σs​和 σ r \sigma_r σr​，無需複雜的迭代引數。

2.3 雙邊濾波的核心用途

1. 深度圖去噪：平滑高斯噪聲、均勻噪聲，保留物體邊緣，是深度圖預處理的首選演算法；
2. 彩色影象去噪：邊緣保留的平滑去噪，避免影象模糊；
3. 點雲平滑：Open3D提供了點雲層面的雙邊濾波，可對3D點雲進行邊緣保留的平滑；
4. 深度圖空洞填充：結合鄰域深度值相似性，對小空洞進行合理填充。

2.4 雙邊濾波的實現（2D深度圖+3D點雲）

雙邊濾波的實現分兩種場景：2D深度圖層面（預處理，效果最好）和3D點雲層面（後處理，最佳化點雲平滑度），以下分別實現，且與前文的統計+半徑濾波結合。

2.4.1 實現1：2D深度圖的雙邊濾波（OpenCV+NumPy）

OpenCV提供了現成的cv2.bilateralFilter函式，專門用於雙邊濾波，適配深度圖的16位uint16格式（深度相機採集的深度圖預設格式），無需手寫複雜的卷積邏輯，直接呼叫即可。

核心程式碼（深度圖讀取+雙邊濾波+視覺化）

import cv2
import numpy as np
import matplotlib.pyplot as plt

def depth_bilateral_filter(
    depth_img_path,
    output_depth_path,
    d=5,        # 濾波鄰域直徑，奇數（3/5/7），越大平滑範圍越廣
    sigmaColor=10,  # 值域標準差σr，深度值相似性權重
    sigmaSpace=10   # 空域標準差σs，空間距離權重
):
    """
    2D深度圖雙邊濾波：邊緣保留平滑去噪，適配16位uint16深度圖
    調優原則：噪聲越嚴重，d/ sigmaSpace越大；需強邊緣保留，sigmaColor越小
    """
    # 1. 讀取深度圖（深度相機採集的深度圖為16位uint16，單通道）
    depth = cv2.imread(depth_img_path, cv2.IMREAD_UNCHANGED)
    if depth is None:
        raise ValueError("讀取深度圖失敗！檔案損壞或非深度圖檔案")
    # 轉換為float32，避免濾波時數值溢位
    depth_float = depth.astype(np.float32)
    print(f"深度圖尺寸：{depth.shape}，深度值範圍：{np.min(depth)}~{np.max(depth)}")

    # 2. 雙邊濾波核心呼叫
    # cv2.bilateralFilter：src-輸入影象，d-鄰域直徑，sigmaColor-值域σ，sigmaSpace-空域σ
    # 注意：深度圖為單通道，彩色圖為3通道，函式自動適配
    depth_denoised = cv2.bilateralFilter(depth_float, d=d, sigmaColor=sigmaColor, sigmaSpace=sigmaSpace)
    # 轉換回16位uint16，儲存為原始深度圖格式
    depth_denoised = depth_denoised.astype(np.uint16)

    # 3. 儲存濾波後的深度圖
    cv2.imwrite(output_depth_path, depth_denoised)
    print(f"雙邊濾波後的深度圖已儲存：{output_depth_path}")

    # 4. 視覺化濾波效果（對比原始和去噪後的深度圖）
    plt.figure(figsize=(12, 6))
    # 原始深度圖
    plt.subplot(1, 2, 1)
    plt.imshow(depth, cmap="jet")
    plt.title("Original Depth Map", fontsize=14)
    plt.axis("off")
    plt.colorbar()
    # 去噪後深度圖
    plt.subplot(1, 2, 2)
    plt.imshow(depth_denoised, cmap="jet")
    plt.title("Denoised Depth Map (Bilateral Filter)", fontsize=14)
    plt.axis("off")
    plt.colorbar()
    plt.tight_layout()
    plt.show()

    return depth_denoised

# 主函式呼叫
if __name__ == "__main__":
    INPUT_DEPTH = "depth_noise.png"  # 你的帶噪深度圖（16位uint16）
    OUTPUT_DEPTH = "depth_denoised.png"  # 濾波後深度圖
    depth_bilateral_filter(
        depth_img_path=INPUT_DEPTH,
        output_depth_path=OUTPUT_DEPTH,
        d=5,           # 5×5鄰域，適中的平滑範圍
        sigmaColor=15, # 值域σ，對深度值差異的容忍度適中
        sigmaSpace=15  # 空域σ，空間鄰域範圍適中
    )

關鍵引數調優

cv2.bilateralFilter的3個核心引數，調優直接決定濾波效果，黃金調優原則：

1. d（鄰域直徑）：取3/5/7（奇數），噪聲越嚴重取越大，過大會導致輕微邊緣模糊；
2. sigmaColor（值域 σ r \sigma_r σr​）：深度圖一般取1030，**需強邊緣保留則取小值（510）**，需強平滑則取大值（20~30）；
3. sigmaSpace（空域 σ s \sigma_s σs​）：與sigmaColor匹配，一般取相同值，10~30即可。

效果說明

濾波後，深度圖的區域性噪聲會被平滑（比如同一平面的粗糙點），而物體邊緣會被完整保留（比如深度值突變的區域），這是高斯濾波無法實現的效果。

2.4.2 實現2：3D點雲的雙邊濾波（Open3D）

Open3D提供了點雲層面的雙邊濾波函式filter_smooth_bilateral，可對3D點雲進行邊緣保留的平滑，適合將深度圖轉點雲後，進一步最佳化點雲的平滑度，可與前文的統計+半徑濾波組合使用。

核心程式碼（點雲雙邊濾波+統計+半徑濾波組合）

import open3d as o3d
import numpy as np

def pcd_bilateral_denoise(
    input_ply_path,
    output_ply_path,
    # 雙邊濾波引數
    bilateral_sigma1=0.01,  # 空域σ，點雲空間距離權重
    bilateral_sigma2=0.05,  # 值域σ，點雲法向量/深度值相似性權重
    # 統計+半徑濾波引數（複用前文）
    stat_nb_neighbors=20,
    stat_std_ratio=2.0,
    rad_radius=0.05,
    rad_min_nn=10
):
    """
    3D點雲全流程去噪：雙邊濾波（平滑）+ 統計濾波+半徑濾波（剔離散噪點）
    先平滑，再剔噪點，效果優於單獨使用某一種濾波
    """
    # 1. 讀取點雲並預處理
    pcd = o3d.io.read_point_cloud(input_ply_path)
    if not pcd.has_points():
        raise ValueError("讀取點雲失敗！")
    print(f"原始點雲點數：{len(pcd.points):,}")
    # 剔除無效/重複點
    pcd = pcd.remove_non_finite_points(remove_nan=True, remove_infinite=True)
    pcd = pcd.remove_duplicated_points()

    # 2. 點雲雙邊濾波【邊緣保留平滑】
    # 先估計法向量（雙邊濾波需要法向量計算值域相似性）
    pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))
    # 雙邊濾波核心呼叫
    pcd_smooth = pcd.filter_smooth_bilateral(sigma1=bilateral_sigma1, sigma2=bilateral_sigma2)
    print(f"雙邊濾波後點雲點數：{len(pcd_smooth.points):,}")

    # 3. 統計+半徑濾波【剔除離散噪點】
    cl, ind = pcd_smooth.remove_statistical_outlier(nb_neighbors=stat_nb_neighbors, std_ratio=stat_std_ratio)
    pcd_denoised = pcd_smooth.select_by_index(ind)
    cl, ind = pcd_denoised.remove_radius_outlier(nb_points=rad_min_nn, radius=rad_radius)
    pcd_denoised = pcd_denoised.select_by_index(ind)

    # 4. 儲存並視覺化
    o3d.io.write_point_cloud(output_ply_path, pcd_denoised)
    print(f"去噪後點雲點數：{len(pcd_denoised.points):,}，已儲存至：{output_ply_path}")
    o3d.visualization.draw_geometries([pcd_denoised], window_name="點雲雙邊濾波+統計半徑濾波結果")

    return pcd_denoised

# 主函式呼叫
if __name__ == "__main__":
    INPUT_PLY = "simulated_depth_scan.ply"
    OUTPUT_PLY = "pcd_bilateral_denoised.ply"
    pcd_bilateral_denoise(
        input_ply_path=INPUT_PLY,
        output_ply_path=OUTPUT_PLY,
        bilateral_sigma1=0.01,
        bilateral_sigma2=0.05
    )

點雲雙邊濾波引數說明

• sigma1：空域標準差，控制點雲的空間距離權重，一般取0.01~0.05m（根據點雲密度調整）；
• sigma2：值域標準差，控制點雲的法向量/深度值相似性權重，一般取0.05~0.1m，越大平滑效果越強。

注意：點雲雙邊濾波前必須呼叫estimate_normals估計法向量，因為Open3D的點雲雙邊濾波是基於法向量相似性計算值域權重的，法向量估計的精度會影響濾波效果。

第三部分：工業級全流程——深度圖→點雲的聯合去噪

實際專案中，深度相機採集的是2D深度圖，需要先將深度圖轉換為3D點雲，再進行後續處理。因此最優的去噪流程是：
深度圖雙邊濾波（2D層面平滑，保留邊緣）→ 深度圖轉點雲 → 點雲統計+半徑濾波（3D層面剔離散噪點）

該流程結合了雙邊濾波的邊緣保留平滑和統計+半徑濾波的離散噪點剔除，是工業級深度圖/點雲去噪的黃金流程，以下實現完整程式碼。

3.1 核心原理：深度圖轉點雲

深度圖轉點雲的核心是相機內參，對於畫素 ( u , v ) (u,v) (u,v)，其深度值為 z z z，對應的3D空間座標 ( X , Y , Z ) (X,Y,Z) (X,Y,Z)為：

X

( u − c x ) × z f x X = (u - cx) \times \frac{z}{fx} X=(u−cx)×fxz​

Y

( v − c y ) × z f y Y = (v - cy) \times \frac{z}{fy} Y=(v−cy)×fyz​

Z

z Z = z Z=z
其中：

• ( f x , f y ) (fx, fy) (fx,fy)：相機的焦距（畫素單位）；
• ( c x , c y ) (cx, cy) (cx,cy)：相機的主點座標（畫素單位）；
• 以上引數可從深度相機的說明書或SDK中獲取（比如Intel RealSense的fx≈600，fy≈600，cx≈320，cy≈240）。

3.2 全流程完整程式碼（深度圖雙邊濾波→轉點雲→點雲去噪）

import cv2
import numpy as np
import open3d as o3d

# 第一步：深度圖雙邊濾波（複用前文函式）
def depth_bilateral_filter(depth_img_path, d=5, sigmaColor=15, sigmaSpace=15):
    depth = cv2.imread(depth_img_path, cv2.IMREAD_UNCHANGED)
    depth_float = depth.astype(np.float32)
    depth_denoised = cv2.bilateralFilter(depth_float, d=d, sigmaColor=sigmaColor, sigmaSpace=sigmaSpace)
    return depth_denoised.astype(np.uint16)

# 第二步：深度圖轉點雲（基於相機內參）
def depth2pcd(depth_img, fx=615.0, fy=615.0, cx=320.0, cy=240.0, scale=1000.0):
    """
    深度圖轉3D點雲
    引數：
        depth_img: 16位uint16深度圖
        fx/fy: 相機焦距（畫素單位），預設適配Intel RealSense D435
        cx/cy: 相機主點座標，預設適配640×480解析度
        scale: 深度值縮放係數（深度圖值為mm，轉m需除以1000）
    """
    h, w = depth_img.shape
    # 生成畫素座標網格
    u, v = np.meshgrid(np.arange(w), np.arange(h))
    # 計算3D空間座標
    z = depth_img / scale  # 轉米單位
    x = (u - cx) * z / fx
    y = (v - cy) * z / fy
    # 拼接點雲座標，剔除深度值為0的無效點
    points = np.stack([x, y, z], axis=-1).reshape(-1, 3)
    valid_mask = z.reshape(-1) > 0  # 剔除深度為0的點
    points = points[valid_mask]
    # 建立Open3D點雲物件
    pcd = o3d.geometry.PointCloud()
    pcd.points = o3d.utility.Vector3dVector(points)
    print(f"深度圖轉點雲完成，有效點數：{len(pcd.points):,}")
    return pcd

# 第三步：點雲統計+半徑濾波（複用前文工業級函式）
def ply_denoise(pcd, stat_nb_neighbors=20, stat_std_ratio=2.0, rad_radius=0.05, rad_min_nn=10):
    pcd = pcd.remove_non_finite_points(remove_nan=True, remove_infinite=True)
    pcd = pcd.remove_duplicated_points()
    # 統計濾波
    cl, ind = pcd.remove_statistical_outlier(nb_neighbors=stat_nb_neighbors, std_ratio=stat_std_ratio)
    pcd_denoised = pcd.select_by_index(ind)
    # 半徑濾波
    cl, ind = pcd_denoised.remove_radius_outlier(nb_points=rad_min_nn, radius=rad_radius)
    pcd_denoised = pcd_denoised.select_by_index(ind)
    return pcd_denoised

# 主流程：深度圖雙邊濾波 → 轉點雲 → 點雲去噪 → 儲存視覺化
if __name__ == "__main__":
    # 配置引數
    INPUT_DEPTH = "depth_noise.png"    # 輸入帶噪深度圖
    OUTPUT_DEPTH = "depth_denoised.png"# 輸出濾波後深度圖
    OUTPUT_PLY = "final_denoised.ply" # 輸出最終點雲
    # 相機內參（根據你的深度相機修改！）
    FX, FY = 615.0, 615.0
    CX, CY = 320.0, 240.0

    # 1. 深度圖雙邊濾波
    depth_denoised = depth_bilateral_filter(INPUT_DEPTH, d=5, sigmaColor=15, sigmaSpace=15)
    cv2.imwrite(OUTPUT_DEPTH, depth_denoised)

    # 2. 濾波後的深度圖轉點雲
    pcd = depth2pcd(depth_denoised, fx=FX, fy=FY, cx=CX, cy=CY)

    # 3. 點雲統計+半徑濾波
    pcd_final = ply_denoise(pcd)

    # 4. 儲存並視覺化最終點雲
    o3d.io.write_point_cloud(OUTPUT_PLY, pcd_final)
    print(f"全流程去噪完成，最終點雲已儲存：{OUTPUT_PLY}，點數：{len(pcd_final.points):,}")
    o3d.visualization.draw_geometries([pcd_final], window_name="深度圖+點雲全流程去噪結果")

關鍵注意事項

1. 相機內參修改：程式碼中的fx/fy/cx/cy是預設值，需根據你的深度相機實際引數修改（可從相機SDK、標定工具中獲取），否則點雲會出現畸變；
2. 深度值縮放：深度相機採集的深度圖值一般為毫米（mm），程式碼中scale=1000將其轉為米（m），若你的深度圖單位是米，需將scale改為1；
3. 解析度匹配：內參與深度圖解析度一一對應（比如640×480的深度圖對應cx=320，cy=240），若深度圖解析度為1280×720，需調整cx/cy為640/360。

第四部分：各濾波演算法對比與適用場景總結

為了讓你在實際專案中快速選擇合適的濾波演算法，以下對統計濾波、半徑濾波、雙邊濾波進行全方位對比，明確各自的適用場景和優缺點：

濾波演算法	處理層面	核心功能	優點	缺點	適用場景
統計濾波	3D點雲	剔除孤立點/椒鹽噪聲	計算快、引數少、適配所有點雲	對小噪點簇無效	點雲初步去噪，剔除離散單點噪聲
半徑濾波	3D點雲	剔除稀疏小噪點簇	補充統計濾波，處理小簇噪點	半徑引數需根據點雲密度調整	統計濾波後二次去噪，剔除稀疏簇噪聲
雙邊濾波（2D）	2D深度圖	邊緣保留的平滑去噪	保留邊緣、平滑高斯/均勻噪聲、效果最好	對離散點無效	深度圖預處理，平滑整體噪聲，保留場景結構
雙邊濾波（3D）	3D點雲	邊緣保留的點雲平滑	最佳化點雲平滑度，保留3D邊緣	需估計法向量、對離散點無效	點雲後處理，最佳化平滑度（配合統計+半徑濾波）

黃金組合策略

1. 深度圖預處理：優先使用2D雙邊濾波，平滑噪聲並保留邊緣，這是最關鍵的一步；
2. 點雲去噪：深度圖轉點雲後，使用統計濾波+半徑濾波組合，剔除離散噪點；
3. 點雲最佳化：若點雲整體粗糙，可在統計+半徑濾波前增加3D雙邊濾波，實現平滑+剔噪的雙重效果；
4. 密集噪點團：若存在密集小噪點團，開啟3D形態學開運算（犧牲少量細節）。

第五部分：常見問題與解決方案

1. 深度圖濾波後出現空洞：深度圖本身存在的空洞，雙邊濾波無法填充，可使用cv2.inpaint進行空洞填充，或在點雲層面使用o3d.geometry.PointCloud.voxel_up_sample補點；
2. 點雲視覺化卡頓/記憶體溢位：開啟體素下采樣（voxel_down_sample），降低點雲點數，體素大小取0.01~0.05m；
3. 雙邊濾波後邊緣模糊：減小sigmaColor（值域σ）或d（鄰域直徑），增強邊緣保留效果；
4. 統計+半徑濾波後丟失有效點：調大stat_std_ratio、減小rad_radius或rad_min_nn，降低剔除嚴格度；
5. 深度圖轉點雲後點雲畸變：檢查相機內參是否正確，確保內參與深度圖解析度、相機型號匹配。

總結

深度圖/點雲去噪是3D計算機視覺的基礎預處理步驟，其核心是針對性選擇濾波演算法：

1. 雙邊濾波是深度圖去噪的核心，憑藉邊緣保留的平滑特性，完勝傳統的高斯濾波，是2D層面去噪的首選；
2. 統計濾波+半徑濾波是點雲去噪的黃金組合，能全覆蓋剔除3D層面的孤立點和稀疏小噪點簇，且計算高效、引數易調；
3. 工業級的最優流程是深度圖雙邊濾波→轉點雲→點雲統計+半徑濾波，結合了2D層面的平滑和3D層面的剔噪，兼顧效果和效率。

本文的所有程式碼均為開箱即用，適配大部分深度相機（RealSense、Kinect、LiDAR）採集的資料，只需根據實際場景微調引數，即可應用於3D重建、點雲配準、目標檢測等實際專案中。