点云滤波概述
点云滤波
刚刚产生的点云往往伴随着将噪声点、离群点、孔洞、数据压缩等 按照后续需求处理，才能够更好地进行配准、特征提取、曲面重建、可视化等后续流程。
- PCL滤波模块提供了很多滤波处理算法
- 双边滤波
- 高斯滤波
- 条件滤波
- 直通滤波
- 基于随即采样一致性滤波RANSAC等。
- 滤波相关文档
- https://pcl-tutorials.readthedocs.io/en/latest/#filtering
- 应用场景
- 点云数据密度不规则需要平滑处理
- 去除因为遮挡等问题造成离群点
- 数据量较大，需要进行下采样( Downsample)
- 去除噪声数据。
- 取出噪声实例： 我们通过对每个点的邻域进行统计分析，并修剪掉不符合特定条件的那些异常值，进而可以过滤掉某些异常值。
PCL中的实现这些稀疏离群值的消除，需要计算数据集中的点与邻居距离的分布。 即对于每个点，都会计算从它到所有相邻点的平均距离。 通过假设结果分布是具有均值和标准差的高斯分布，可以将那些平均距离在【由全局距离均值和标准差定义的区间】之外的所有点视为离群值，并将之从数据集中进行修剪。
直通滤波 PassThrouh.cpp
/*PassThrogh
* 直通滤波
*/
#include 降采样滤波 &VoxelGrid
- 通过体素网格进行降采样滤波，可以减少点数量的同时，保证点云的形状特征，可以提高配准，曲面重建，形状识别等算法的速度，并保证准确性。
// 降采样VoxelGrid
#include 离群点移除
如激光扫描器，通常会生成不同点密度的点云数据集。此外，测量误差会导致稀疏的异常值，从而进一步破坏结果。这会使局部点云特征（例如表面或曲率变化)的估计复杂化，从而导致错误的值。
稀疏离群值的消除基于输入数据集中点到邻居距离的分布的计算。对于每个点，我们计算从它到所有相邻点的平均距离。通过假设结果分布是具有均值和标准差的高斯分布，可以将其平均距离在由全局距离均值和标准差定义的区间之外的所有点视为离群值并从数据集中进行修剪。 下图显示了稀疏离群值分析和删除的效果：原始数据集显示在左侧，结果数据集显示在右侧。数据集图显示了滤波前后每个点的邻域中平均K最近邻距离。
接下来，我们使用StatisticalOutlierRemoval移除噪点
实现步骤:
-
查找每一个点的所有邻域点
-
计算每个点到其邻居的距离 d i j d_{ij} dij，其中 i = [ 1 , 2 , 3 , ⋯ , m ] i=[1,2,3,\cdots,m] i=[1,2,3,⋯,m]表示共m个点，j=[1,\cdots,k]每个点有k个邻居。也就是记录了每个点到他们K个邻居的平均距离
-
根据高斯分布 d − − N ( u , σ ) d -- N(u,\sigma) d−−N(u,σ) 模型化距离参数，计算所有点与邻居的 μ \mu μ（距离的均值）， σ \sigma σ（距离的标准差），如下：
μ = 1 n k ∑ i = 1 m ∑ j = 1 k d i j , σ = 1 n k ∑ i = 1 m ∑ j = 1 k ( d i j − μ ) 2 \mu=\frac{1}{nk} \sum_{i=1}^m \sum_{j=1}^k d_{ij},\sigma=\sqrt{\frac{1}{nk} \sum_{i=1}^m \sum_{j=1}^k (d_{ij}-\mu)^2} μ=nk1i=1∑mj=1∑kdij,σ=nk1i=1∑mj=1∑k(dij−μ)2 -
为每一个点，计算其与邻居的距离均值 μ i = 1 k ∑ j = 1 k d i j \mu_i=\frac{1}{k} \sum_{j=1}^k d_{ij} μi=k1∑j=1kdij
-
遍历所有点，如果其距离的均值大于高斯分布的指定置信度，或者指定置信区间，则移除,比如 μ i > μ + 3 σ , o r , μ i < μ − 3 σ \mu_i>\mu+3\sigma \ ,\ or\ ,\ \mu_i<\mu-3\sigma μi>μ+3σ , or , μi<μ−3σ
-
相应的代码实现：
#include 条件滤波与半径离群值滤波
条件滤波:设置不同维度滤波规则进行滤波
半径滤波:用户指定邻居的个数，要每个点必须在指定半径内具有指定个邻居才能保留在PointCloud中。例如，如果指定了1个邻居，则只会从PointCloud中删除黄点。如果指定了2个邻居，则黄色和绿色的点都将从PointCloud中删除。
#include