PCL入门系列 —— StatisticalOutlierRemoval 点云统计滤波

---

前言

随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。

为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单直观地感受到当前所用算法模块的执行效果。

后续会逐步扩增与工业机器视觉相关的一些其它内容，如：

项目案例剖析、场景数据分析、基础算法模块、相机评测 等；

如有兴趣可加入群聊（若入群二维码被屏蔽，则可以通过Q群（1032861997）或评论、私信博主“群聊”，邀请入群），与同道同学及圈内同行一起交流讨论。

---

程序说明

展示 StatisticalOutlierRemoval 统计滤波效果；

输出结果

代码示例

/*
 * @File: statistical_outlier_removal.cpp
 * @Brief: pcl course
 * @Description: 展示StatisticalOutlierRemoval统计滤波效果
 * @Version: 0.0.1
 * @Author: MuYv
 */
#include 
#include 
#include 
#include 
#include 
#include 
#include 



int main(int argc, char** argv){
    if(argc != 2){
        std::cout<<"Usage: exec cloud_file_path"<<std::endl;
        return -1;
    }
    const std::string kCloudFilePath = argv[1]; // ../clouds/table_scene.pcd

    // 定义变量
    pcl::PointCloud<pcl::PointXYZ>::Ptr \
                    cloud_src(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::PointCloud<pcl::PointXYZ>::Ptr \
                    cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());

    // 成功返回0，失败返回-1
    if(-1 == pcl::io::loadPCDFile(kCloudFilePath,*cloud_src)){
        std::cout<<"load pcd file failed. please check it."<<std::endl;
        return -2;
    }

    // 创建统计滤波模板类对象
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    // 设置输入点云
    sor.setInputCloud(cloud_src);
    // 设置统计分析时的邻域点数
	sor.setMeanK(50); //K近邻搜索点个数
    // 设置标准差系数
	sor.setStddevMulThresh(1.0); //标准差倍数
    // 默认是剔除不满足统计分析的点（噪声点），如需反向操作，则设为true
	sor.setNegative(false); //此处保留未滤波点（内点）
    // 执行滤波，并带出结果数据
	sor.filter(*cloud_filtered);  //保存滤波结果到cloud_filtered

    // 创建可视化对象
    pcl::visualization::PCLVisualizer viewer("viewer");

    // 将当前窗口，拆分成横向的2个可视化窗口，以viewport区分(v1/v2)
    int v1; 
    int v2;
    //窗口参数分别对应 x_min, y_min, x_max, y_max, viewport
    viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v1);  
    viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v2);

    // 添加2d文字标签
    viewer.addText("v1", 10,10, 20, 1,0,0, "viewport_v1", v1);
    viewer.addText("v2", 10,10, 20, 0,1,0, "viewport_v2", v2);

    // 添加坐标系
    viewer.addCoordinateSystem(0.5);    // 单位：m

    // 设置可视化窗口背景色
    viewer.setBackgroundColor(0.2,0.2,0.2);     // r,g,b  0~1之间

    // 向v1窗口中添加点云
    viewer.addPointCloud(cloud_src,"cloud_src",v1);
    // // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    // viewer.setPointCloudRenderingProperties \
    //         (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_src");

    // 向v2窗口中添加点云
    viewer.addPointCloud(cloud_filtered,"cloud_filtered",v2);
    // // 根据点云id，设置点云可视化属性，此处将可视化窗口中的点大小调整为2级
    // viewer.setPointCloudRenderingProperties \ 
    //         (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud_filtered");

    // 关闭窗口则退出
    while(!viewer.wasStopped()){
        viewer.spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

总结

基于当前点与邻域点数据的距离统计信息进行离群点判定并进行剔除，当噪声数据的空间点密度与有效区域的点密度差距较为明显时会有不错的滤波效果；

---

注：部分测试所用点云数据来源于网络，如有侵权，请联系博主删除，谢谢。