五种常用点云滤波

2019年3月23日 1,071次阅读 来源: 五大常用算法

本文主要介绍五中点云滤波方法：直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。

噪声点与离群点。在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点，属于随机误差。除此之外，由于受到外界干扰如视线遮挡，障碍物等因素的影响，点云数据中往往存在着一些距离主题点云较远的离散点，即离群点。

《五种常用点云滤波》离群点

点云处理中滤波目的。滤波处理作为点云处理的第一步，对后续处理有很重要。只有在滤波处理流程中将噪声点、离群点、空洞、数据压缩等按照后续处理定制，才能更好地进行配准、特征提取、曲面重建、可视化等后续应用处理。点云数据集中每一个点表达一定的信息量，某个区域点越密集有用的信息量越大。孤立的离群点信息量较小，其表达的信息量可以忽略不计。

滤波器介绍

直通滤波器：对于在空间分布有一定空间特征的点云数据，比如使用线结构光扫描的方式采集点云，沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。

体素滤波器：体素的概念类似于像素，使用AABB包围盒将点云数据体素化，一般体素越密集的地方信息越多，噪音点及离群点可通过体素网格去除。另一方面如果使用高分辨率相机等设备对点云进行采集，往往点云会较为密集。过多的点云数量会对后续分割工作带来困难。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。

统计滤波器：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3∑之外的点。

条件滤波：条件滤波器通过设定滤波条件进行滤波，有点分段函数的味道，当点云在一定范围则留下，不在则舍弃。

半径滤波器：半径滤波器与统计滤波器相比更加简单粗暴。以某点为中心画一个圆计算落在该圆中点的数量，当数量大于给定值时，则保留该点，数量小于给定值则剔除该点。此算法运行速度快，依序迭代留下的点一定是最密集的，但是圆的半径和圆内点的数目都需要人工指定。

代码实现　　


 
 
    
  
  
  1.       #include<iostream>  
    2. 
  
  
  2.       #include<pcl/point_types.h>  
    3. 
  
  
  3.       #include<pcl/filters/passthrough.h> //直通滤波器头文件  
    4. 
  
  
  4.       #include<pcl/filters/voxel_grid.h> //体素滤波器头文件  
    5. 
  
  
  5.       #include<pcl/filters/statistical_outlier_removal.h> //统计滤波器头文件  
    6. 
  
  
  6.       #include <pcl/filters/conditional_removal.h> //条件滤波器头文件  
    7. 
  
  
  7.       #include <pcl/filters/radius_outlier_removal.h> //半径滤波器头文件  
    8. 
  
  
  8.        
    9. 
  
  
  9.        
    10. 
  
  
  10.       int main(int argc, char** argv)  
    11. 
  
  
  11.       {  
    12. 
  
  
  12.       ///////****************************************************////////////////////  
    13. 
  
  
  13.       /*创建点云数据集。*/  
    14. 
  
  
  14.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);  
    15. 
  
  
  15.       cloud->width = 500;  
    16. 
  
  
  16.       cloud->height = 1;  
    17. 
  
  
  17.       cloud->points.resize(cloud->width*cloud->height);  
    18. 
  
  
  18.       std:: cout << "创建原始点云数据" << std:: endl;  
    19. 
  
  
  19.       for ( size_t i = 0; i < cloud->points.size(); ++i)  
    20. 
  
  
  20.       {  
    21. 
  
  
  21.       cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);  
    22. 
  
  
  22.       cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);  
    23. 
  
  
  23.       cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);  
    24. 
  
  
  24.       }  
    25. 
  
  
  25.        
    26. 
  
  
  26.       for ( size_t i = 0; i < cloud->points.size(); i++)  
    27. 
  
  
  27.       {  
    28. 
  
  
  28.       std:: cerr << " " << cloud->points[i].x << " "  
    29. 
  
  
  29.       << cloud->points[i].y << " "  
    30. 
  
  
  30.       << cloud->points[i].z << std:: endl;  
    31. 
  
  
  31.       }  
    32. 
  
  
  32.       std:: cout << "原始点云数据点数：" << cloud->points.size()<< std:: endl << std:: endl;  
    33. 
  
  
  33.        
    34. 
  
  
  34.       ///////****************************************************////////////////////  
    35. 
  
  
  35.        
    36. 
  
  
  36.       ///////****************************************************////////////////////  
    37. 
  
  
  37.       /*方法一：直通滤波器对点云进行处理。*/  
    38. 
  
  
  38.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud_after_PassThrough(new pcl::PointCloud<pcl::PointXYZ>); //  
    39. 
  
  
  39.        
    40. 
  
  
  40.       pcl::PassThrough<pcl::PointXYZ> passthrough;  
    41. 
  
  
  41.       passthrough.setInputCloud(cloud); //输入点云  
    42. 
  
  
  42.       passthrough.setFilterFieldName( "z"); //对z轴进行操作  
    43. 
  
  
  43.       passthrough.setFilterLimits( 0.0, 400.0); //设置直通滤波器操作范围  
    44. 
  
  
  44.       //passthrough.setFilterLimitsNegative(true);//true表示保留范围内，false表示保留范围外  
    45. 
  
  
  45.       passthrough.filter(*cloud_after_PassThrough); //执行滤波，过滤结果保存在 cloud_after_PassThrough  
    46. 
  
  
  46.        
    47. 
  
  
  47.       std:: cout << "直通滤波后点云数据点数：" << cloud_after_PassThrough->points.size() << std:: endl;  
    48. 
  
  
  48.        
    49. 
  
  
  49.       ///////****************************************************////////////////////  
    50. 
  
  
  50.        
    51. 
  
  
  51.       ///////****************************************************////////////////////  
    52. 
  
  
  52.       /*方法二：体素滤波器实现下采样*/  
    53. 
  
  
  53.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud_after_voxelgrid(new pcl::PointCloud<pcl::PointXYZ>); //  
    54. 
  
  
  54.        
    55. 
  
  
  55.       pcl::VoxelGrid<pcl::PointXYZ> voxelgrid;  
    56. 
  
  
  56.       voxelgrid.setInputCloud(cloud); //输入点云数据  
    57. 
  
  
  57.       voxelgrid.setLeafSize( 10.0f, 10.0f, 10.0f); //AABB长宽高  
    58. 
  
  
  58.       voxelgrid.filter(*cloud_after_voxelgrid);  
    59. 
  
  
  59.        
    60. 
  
  
  60.       std:: cout << "体素化网格方法后点云数据点数：" << cloud_after_voxelgrid->points.size() << std:: endl;  
    61. 
  
  
  61.       ///////****************************************************////////////////////  
    62. 
  
  
  62.        
    63. 
  
  
  63.       ///////****************************************************////////////////////  
    64. 
  
  
  64.       /*方法三：统计滤波器滤波*/  
    65. 
  
  
  65.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud_after_StatisticalRemoval(new pcl::PointCloud<pcl::PointXYZ>); //  
    66. 
  
  
  66.        
    67. 
  
  
  67.       pcl::StatisticalOutlierRemoval<pcl::PointXYZ> Statistical;  
    68. 
  
  
  68.       Statistical.setInputCloud(cloud);  
    69. 
  
  
  69.       Statistical.setMeanK( 20); //取平均值的临近点数  
    70. 
  
  
  70.       Statistical.setStddevMulThresh( 5); //临近点数数目少于多少时会被舍弃  
    71. 
  
  
  71.       Statistical.filter(*cloud_after_StatisticalRemoval);  
    72. 
  
  
  72.        
    73. 
  
  
  73.       std:: cout << "统计分析滤波后点云数据点数：" << cloud_after_StatisticalRemoval->points.size() << std:: endl;  
    74. 
  
  
  74.       ///////****************************************************////////////////////  
    75. 
  
  
  75.        
    76. 
  
  
  76.       ///////****************************************************////////////////////  
    77. 
  
  
  77.       /*方法四：条件滤波器*/  
    78. 
  
  
  78.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud_after_Condition(new pcl::PointCloud<pcl::PointXYZ>);  
    79. 
  
  
  79.        
    80. 
  
  
  80.       pcl::ConditionAnd<pcl::PointXYZ>:: Ptr range_condition(new pcl::ConditionAnd<pcl::PointXYZ>());  
    81. 
  
  
  81.       range_condition->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr( new  
    82. 
  
  
  82.       pcl::FieldComparison<pcl::PointXYZ>( "z", pcl::ComparisonOps::GT, 0.0))); //GT表示大于等于  
    83. 
  
  
  83.       range_condition->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr( new  
    84. 
  
  
  84.       pcl::FieldComparison<pcl::PointXYZ>( "z", pcl::ComparisonOps::LT, 0.8))); //LT表示小于等于  
    85. 
  
  
  85.        
    86. 
  
  
  86.       pcl::ConditionalRemoval<pcl::PointXYZ> condition;  
    87. 
  
  
  87.       condition.setCondition(range_condition);  
    88. 
  
  
  88.       condition.setInputCloud(cloud); //输入点云  
    89. 
  
  
  89.       condition.setKeepOrganized( true);  
    90. 
  
  
  90.        
    91. 
  
  
  91.       condition.filter(*cloud_after_Condition);  
    92. 
  
  
  92.       std:: cout << "条件滤波后点云数据点数：" << cloud_after_Condition->points.size() << std:: endl;  
    93. 
  
  
  93.       ///////****************************************************////////////////////  
    94. 
  
  
  94.        
    95. 
  
  
  95.       ///////****************************************************////////////////////  
    96. 
  
  
  96.       /*方法五：半径滤波器*/  
    97. 
  
  
  97.       pcl::PointCloud<pcl::PointXYZ>:: Ptr cloud_after_Radius(new pcl::PointCloud<pcl::PointXYZ>);  
    98. 
  
  
  98.        
    99. 
  
  
  99.       pcl::RadiusOutlierRemoval<pcl::PointXYZ> radiusoutlier; //创建滤波器  
    100. 
  
  
  100.        
    101. 
  
  
  101.       radiusoutlier.setInputCloud(cloud); //设置输入点云  
    102. 
  
  
  102.       radiusoutlier.setRadiusSearch( 100); //设置半径为100的范围内找临近点  
    103. 
  
  
  103.       radiusoutlier.setMinNeighborsInRadius( 2); //设置查询点的邻域点集数小于2的删除  
    104. 
  
  
  104.        
    105. 
  
  
  105.       radiusoutlier.filter(*cloud_after_Radius);  
    106. 
  
  
  106.       std:: cout << "半径滤波后点云数据点数：" << cloud_after_Radius->points.size() << std:: endl;  
    107. 
  
  
  107.        
    108. 
  
  
  108.       int a;  
    109. 
  
  
  109.       std:: cin >> a;  
    110. 
  
  
  110.       return ( 0);  
    111. 
  
  
  111.        
    112. 
  
  
  112.       }  
    113.

参考文献链接：https://blog.csdn.net/woniu199166/article/details/78625203

https://blog.csdn.net/zkl99999/article/details/44627911

,

本文主要介绍五中点云滤波方法：直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。

    原文作者：五大常用算法
    原文地址: https://blog.csdn.net/yanghan742915081/article/details/85092643
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞