PCL 几种滤波方法

本文主要介绍五中点云滤波方法：直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。

噪声点与离群点。在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点，属于随机误差。除此之外，由于受到外界干扰如视线遮挡，障碍物等因素的影响，点云数据中往往存在着一些距离主题点云较远的离散点，即离群点。

离群点

点云处理中滤波目的。滤波处理作为点云处理的第一步，对后续处理有很重要。只有在滤波处理流程中将噪声点、离群点、空洞、数据压缩等按照后续处理定制，才能更好地进行配准、特征提取、曲面重建、可视化等后续应用处理。点云数据集中每一个点表达一定的信息量，某个区域点越密集有用的信息量越大。孤立的离群点信息量较小，其表达的信息量可以忽略不计。

滤波器介绍

直通滤波器：对于在空间分布有一定空间特征的点云数据，比如使用线结构光扫描的方式采集点云，沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。

体素滤波器：体素的概念类似于像素，使用AABB包围盒将点云数据体素化，一般体素越密集的地方信息越多，噪音点及离群点可通过体素网格去除。另一方面如果使用高分辨率相机等设备对点云进行采集，往往点云会较为密集。过多的点云数量会对后续分割工作带来困难。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。

统计滤波器：考虑到离群点的特征，则可以定义某处点云小于某个密度，既点云无效。计算每个点到其最近的k个点平均距离。则点云中所有点的距离应构成高斯分布。给定均值与方差，可剔除3∑之外的点。

条件滤波：条件滤波器通过设定滤波条件进行滤波，有点分段函数的味道，当点云在一定范围则留下，不在则舍弃。

半径滤波器：半径滤波器与统计滤波器相比更加简单粗暴。以某点为中心画一个圆计算落在该圆中点的数量，当数量大于给定值时，则保留该点，数量小于给定值则剔除该点。此算法运行速度快，依序迭代留下的点一定是最密集的，但是圆的半径和圆内点的数目都需要人工指定。

代码实现　　

#include
#include
#include  //直通滤波器头文件
#include  //体素滤波器头文件
#include   //统计滤波器头文件
#include     //条件滤波器头文件
#include    //半径滤波器头文件


int main(int argc, char** argv)
{
  ///////****************************************************////////////////////
  /*创建点云数据集。*/
  pcl::PointCloud::Ptr cloud(new pcl::PointCloud);
  cloud->width = 500;
  cloud->height = 1;
  cloud->points.resize(cloud->width*cloud->height);
  std::cout << "创建原始点云数据" << std::endl;
  for (size_t i = 0; i < cloud->points.size(); ++i)
  {
    cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
  }
  
  for (size_t i = 0; i < cloud->points.size(); i++)
  {
    std::cerr << "   " << cloud->points[i].x << " "
      << cloud->points[i].y << " "
      << cloud->points[i].z << std::endl;
  }
  std::cout << "原始点云数据点数：" << cloud->points.size()<< std::endl << std::endl;

  ///////****************************************************////////////////////

  ///////****************************************************////////////////////
  /*方法一：直通滤波器对点云进行处理。*/
  pcl::PointCloud::Ptr cloud_after_PassThrough(new pcl::PointCloud);//

  pcl::PassThrough passthrough;
  passthrough.setInputCloud(cloud);//输入点云
  passthrough.setFilterFieldName("z");//对z轴进行操作
  passthrough.setFilterLimits(0.0, 400.0);//设置直通滤波器操作范围
  //passthrough.setFilterLimitsNegative(true);//true表示保留范围内，false表示保留范围外
  passthrough.filter(*cloud_after_PassThrough);//执行滤波，过滤结果保存在 cloud_after_PassThrough

  std::cout << "直通滤波后点云数据点数：" << cloud_after_PassThrough->points.size() << std::endl;

  ///////****************************************************////////////////////

  ///////****************************************************////////////////////
  /*方法二：体素滤波器实现下采样*/
  pcl::PointCloud::Ptr cloud_after_voxelgrid(new pcl::PointCloud);//

  pcl::VoxelGrid voxelgrid; 
  voxelgrid.setInputCloud(cloud);//输入点云数据
  voxelgrid.setLeafSize(10.0f, 10.0f, 10.0f);//AABB长宽高
  voxelgrid.filter(*cloud_after_voxelgrid);

  std::cout << "体素化网格方法后点云数据点数：" << cloud_after_voxelgrid->points.size() << std::endl;
  ///////****************************************************////////////////////

  ///////****************************************************////////////////////
  /*方法三：统计滤波器滤波*/
  pcl::PointCloud::Ptr cloud_after_StatisticalRemoval(new pcl::PointCloud);//

  pcl::StatisticalOutlierRemoval Statistical;
  Statistical.setInputCloud(cloud);
  Statistical.setMeanK(20);//取平均值的临近点数
  Statistical.setStddevMulThresh(5);//临近点数数目少于多少时会被舍弃
  Statistical.filter(*cloud_after_StatisticalRemoval);

  std::cout << "统计分析滤波后点云数据点数：" << cloud_after_StatisticalRemoval->points.size() << std::endl;
  ///////****************************************************////////////////////

  ///////****************************************************////////////////////
  /*方法四：条件滤波器*/
  pcl::PointCloud::Ptr cloud_after_Condition(new pcl::PointCloud);

  pcl::ConditionAnd::Ptr range_condition(new pcl::ConditionAnd());
  range_condition->addComparison(pcl::FieldComparison::ConstPtr(new
    pcl::FieldComparison("z", pcl::ComparisonOps::GT, 0.0)));  //GT表示大于等于
  range_condition->addComparison(pcl::FieldComparison::ConstPtr(new
    pcl::FieldComparison("z", pcl::ComparisonOps::LT, 0.8)));  //LT表示小于等于

  pcl::ConditionalRemoval condition;
  condition.setCondition(range_condition);
  condition.setInputCloud(cloud);                   //输入点云
  condition.setKeepOrganized(true);

  condition.filter(*cloud_after_Condition);
  std::cout << "条件滤波后点云数据点数：" << cloud_after_Condition->points.size() << std::endl;
  ///////****************************************************////////////////////

  ///////****************************************************////////////////////
  /*方法五：半径滤波器*/
  pcl::PointCloud::Ptr cloud_after_Radius(new pcl::PointCloud);

  pcl::RadiusOutlierRemoval radiusoutlier;  //创建滤波器

  radiusoutlier.setInputCloud(cloud);    //设置输入点云
  radiusoutlier.setRadiusSearch(100);     //设置半径为100的范围内找临近点
  radiusoutlier.setMinNeighborsInRadius(2); //设置查询点的邻域点集数小于2的删除
                                 
  radiusoutlier.filter(*cloud_after_Radius);
  std::cout << "半径滤波后点云数据点数：" << cloud_after_Radius->points.size() << std::endl;

  int a;
  std::cin >> a;
  return (0);

}

参考文献链接：https://blog.csdn.net/woniu199166/article/details/78625203

https://blog.csdn.net/zkl99999/article/details/44627911