三维重建8:点云图像的滤波方法

         点云数据是三维空间的离散数据,不是类似于PLY格式的点线概念,因此可以使用所谓的“滤波方法”。点云数据若非看成深度map数据,则不再适用于使用二维图形的核卷积方法。此外,滤波方法与点云存储格式密切相关,点云存储格式一般为八叉树,而2.5D图像存储格式可以用深度Map形式,对应了不同的滤波方式。

        此外,点云划分为有序点云和无序点云之后,又对应了不同的滤波方法。

    (1) 如果点云是有序的,通过 pcl: : Organ izedDatalnd ex 使用有序搜索方法 。  
    (2) 如果点云是无序的,通过 pcl : : KdTreeFLANN 使用通用的 Kd 树  
    //有序点云  
    //Example:  
    //  cloud.width = 640; // Image-like organized structure, with 640 rows and 480 columns,  
    //  cloud.height = 480; // thus 640*480=307200 points total in the dataset  
    //无序点云  
    //Example:  
    //  cloud.width = 307200;  
    //  cloud.height = 1; // unorganized point cloud dataset with 307200 points  
 

         实际意义上的点云滤波,是以三维点集的思维方面寻找方法,因此点云滤波依赖于几何信息,而不是数值关系。在滤波思想上,本质上三维点云X、Y、Z的思想方法权重应该是一致的。


0.何为双边滤波器

       双边滤波,Bilateral filter。是一种可以保边去噪的滤波器。之所以可以达到此去噪效果,是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。在差值较高的地方降低权重,此时可以明显包住边缘。

       双边滤波器的好处是可以做边缘保存edge preserving,一般过去用的维纳滤波或者高斯滤波去降噪,都会较明显的模糊边缘,对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma-d,它是基于空间分布的高斯滤波函数,所以在边缘附近,离的较远的像素不会太多影响到边缘上的像素值,这样就保证了边缘附近像素值的保存。       

        但是由于保存了过多的高频信息,对于彩色图像里的高频噪声,双边滤波器不能够干净的滤掉,只能够对于低频信息进行较好的滤波。

        参考这个:双边滤波器.....


1.PCL的双边滤波

类似于灰度图双边滤波的效果,点云双边滤波仍然具有保边滤波功能

PCL示例代码:

void Filters::bilateralFilter(pcl::PCLPointCloud2::ConstPtr input, pcl::PCLPointCloud2& output,
    float sigma_s, float sigma_r)
{
    // Convert data to PointCloud
    pcl::PointCloud::Ptr xyz (new pcl::PointCloud);
    fromPCLPointCloud2 (*input, *xyz);

    // Apply the filter
    pcl::FastBilateralFilter fbf;
    fbf.setInputCloud (xyz);
    fbf.setSigmaS (sigma_s);
    fbf.setSigmaR (sigma_r);
    pcl::PointCloud xyz_filtered;
    fbf.filter (xyz_filtered);

    // Convert data back
    pcl::PCLPointCloud2 output_xyz;
    toPCLPointCloud2 (xyz_filtered, output_xyz);
    pcl::concatenateFields (*input, output_xyz, output);
}

此外,双边滤波依然有平面平滑的作用。因此,对于使用平面拟合获取点云稠密法线,还是有很大帮助的。


2.PCL的密度聚类

PCL的噪点大多分布比较随机,相对对于正确点云数据密度较低,调至一个合适的参数,可以用密度方法去除噪点(也叫离群点)。

缺点:对于相对于相机倾斜度极高的斜面,正确点云墙的密度也非常稀疏,因此在这种情况出现时,需要其他的判断方法。

PCL示例代码:

2.1基于统计密度的聚类

  pcl::StatisticalOutlierRemoval sor;
  sor.setInputCloud (cloud);
  sor.setMeanK (50);
  sor.setStddevMulThresh (1.0);
  sor.filter (*cloud_filtered);

统计滤波器StatisticalOutlierRemoval用于去除明显离群点(离群点往往由测量噪声引入)。

每个点都表达一定信息量,某个区域点越密集则可能信息量越大。噪声信息属于无用信息,信息量较小。所以离群点表达的信息可以忽略不计。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,可剔除离群点。


2.2基于半径的聚类

  pcl::PointCloud::Ptr cloud (new pcl::PointCloud);
  pcl::PointCloud::Ptr cloud_filtered(new pcl::PointCloud);
  pcl::PointCloud::Ptr cloud_filtered (new pcl::PointCloud);

  pcl::RadiusOutlierRemoval outrem;
    // build the filter
    outrem.setInputCloud(cloud);
    outrem.setRadiusSearch(0.8);
    outrem.setMinNeighborsInRadius (2);
    // apply filter
    outrem.filter (*cloud_filtered);

基于半径的聚类,指明了使用半径统计的方法

        三维重建8:点云图像的滤波方法_第1张图片

3.其他方法:不管是密度聚类还是双边聚类,都无法避免超斜平面的点云稀疏性问题。

       最好的方法,是在点云滤波之前,使用平面拟合和曲面拟合的方法,先找出平面和曲面,保留平面点和曲面点集合,再进行滤波。


转载于:https://www.cnblogs.com/wishchin/p/9199938.html

你可能感兴趣的:(三维重建8:点云图像的滤波方法)