三维点云处理：5滤波：降采样

一、序：

我们收集到的点云信息往往包含很多实际上并不存在的点，这些点会很大程度上影响我们对于点云的处理。因此需要我们设计不同的滤波器来去噪。

二、去噪：

Ps:BF双边滤波，MED 中值滤波，AVE均值滤波

2.1 Radius Outlier removel(离群值清除):
思想：**如果不是噪声，那么它的附近将会有不少的点，而噪声附近点的数量应该明显少于有用点附近点的数量。**所以有：

1、对于每个点，取其邻域；
2、如果邻域内的点小于K(自己设定一个K值)，删除这个点。

2.2 Statistical Outlier Removal(统计离群值清除):
Statistical Outlier Removal是Outlier Removal的升级版本，不再根据数量的多少，而是依据邻域内每个点到其他距离的信息来确定是否予以删除。
1、对于每个点，取其邻域；
2、计算这个点到它邻域内每个点的距离。dij
3、计算均值和方差
4
结果：图中噪声被去除，每个点到它附近点的数据也比较平缓了。

三、几种降采样方法：

A: Voxel Grid Downsampling
目的：降低点的数量
思想：
1、划分为若干个均等的格子
2、每个格子中取一个点保留，或者随机取，这种办法可以更快，但是精度低；或者取平均值，有的点不可以取均值，比如人和牛的点，对于这种点，我们可以进行投票等操作，这种办法可以更加精确，但是更慢。
流程：
1、找一个“巨大”的、能将所有点都框在内的网格；
2、选出每个小格子的大小；
3、计算每个方向上被划分出了多少个小格子；
4、计算每个点会落在哪个格子中；
5、依据第四步中的每个格子中点的数量多少进行排序；
6、在每个格子中取一个点保留。

排序复杂度：

然而点云分布稀疏，数量众多，百万千万级别的点云也是有的，对其进行排序花费时间空间都很大。此时，我们可以用哈希表将点映射到100个容器中去。
方法：
前四步和降采样是一样的：
1、找一个“巨大”的、能将所有点都框在内的网格；
2、选出每个小格子的大小；
3、计算每个方向上被划分出了多少个小格子；
4、计算每个点会落在哪个格子中；
5、使用哈希表将每个点映射到不同的容器中；
6、保留一个点。

此处的哈希冲突：
不同的点映射到同一个容器中，极有可能会被丢弃掉。
解决办法：
1、先将原先的点释放，随机选一个点进行输出；
2、清空容器，新来的进入容器。
B: Farthest Point Sampling(FPS)
1、随机挑选一个点作为初始点；
2、迭代出我们想要的点：计算距离已选点的距离之和最远的点，将其选入FPS集合。

C：Normal Space Sampling(NSS):
法向量上面的降采样，为了保持其局部的特征，针对于点云的对齐而采用。

1、先在法向量的空间里建一堆容器；
2、依据平面法向量将所有点放入容器中；
3、在每个容器中都挑选出同等数量的点。
D：使用 深度学习降采样
通过语义分析实现降采样的点，而不是几何分析。
输入→神经网络→输出降采样的点→输入分类网络


通过给予一点过的几何意义上的限制，使得降采样后的点具有和降采样之前相似的几何状态：

参考文献：
这种办法用于分类的准确率大大高于前两种，尤其是在最后的点数较少的情况下。
应用：Normalized Reconstructed Error (降采样后的重构差异)

四、上采样：

Bilateral Filter–Gaussion Filter

将红心点附近点的RGB信息的加权平均它替换为红心点的RGB信息：距离红心点更近的点就给一个更大的权重。
参考文献：
以上公式和图片基本来自于老师上课PPT，小部分参考别的博主，仅作为存稿、学习，交流使用，不得进行商业化活动。
觉得有用记得下面点赞呀~