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
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。