一.噪声去除

方法一 Radius Outlier Removal

 ① 对于每个点，划定一个领域半径R

② 数一数领域内少于规定的一个数值，就去掉 

③大于就保留

方法二 Statistical Outlier Removal 是方法一的升级版不同点从第②开始不去傻傻数了

① 对于每个点，划定一个领域半径R

② 算每一个领域内的邻居离我自己有多远，记为Dij 【i是自己，j是邻居】

③ 算Dij的平均值和方差，对每个点都算了统计数值平均下来Dij应该是长什么样子

④ 再过一边所有点还是找半径为R的领域

⑤ 如果邻居的距离大于 就去掉，小于就留着

 效果图 红的线就是原来的邻居的距离 绿的线就是滤波后的邻居的距离

二.降采样

不需要那么多就能够识别，能在保存这个对象特征的同时降低运算量。

方法一 Voxel Grid Downsampling（划分成一个一个均等的格子，在每个格子里面找一个代表）

 ①左边划分成一个格子，找一个黑的代表 ②划分成4个格子（更好的分辨率），每个格子取一个黑点有四个

问题？Ⅰ格子里面的点怎么去？ Ⅱ怎么使降采样过程实现的时候变得更高效

解决ⅠCentroid 方框内的平均值（如果是人、汽车不能做平均值的 就做Voting），稍微慢点

       ⅡRandom select 随意选择

方法二 Farthest Point Sampling（FPS）

①选定一个点 然后找离这个点越远越好

② 选一个 离两个都远

③选一个 离三个都远。。。

方法三 Normal Space Sampling（NSS）

 ①再不同的方向上建立容器

②把所有点扔进去

③每一个容器里面都挑取同等数量的点

所以保证了不管怎样的法向量，最终都会出现在我的降采样结果里面去，而不会出现这种凸起的地方都被漏掉的情况。

方法四 Learning to Sample

三、上采样(双边采样Bilateral Filter)

点不可能把每个点都填满，多传感器融合的时候希望图片上每一个像素都能带一个深度，这样图片的信息就很丰富，有深度又有纹理，激光雷达的数据怎么把他变得稠密呢

方法一Bilateral Filter

要做模糊，将一个高斯和运用到图片上

把这个rgb 替换成周围数据的加权平均。权重来自高斯和 。 一个点受他周围的点影响，越高就影响越多；如果曲线越来越肥的话，这个点受到影响的范围就越来越大，就被模糊掉了。

怎么像上图一样实现边缘的保护，把细节模糊把框架留住？

Bilateral Filter有两个高斯核​​​​​​​

p的像素替换成q的加权平均，划线一项和原来那个一模一样，波浪线的是通过p和q的颜色像不像来的（像数值大），Wp是标准化的。这个效果在哪？

如果有一个像素q，离p很远，而且颜色也和p不像，所以两项相乘很小，对p影响小。

如果离p远，颜色像，一大一小，中间数值了

如果离p近，颜色像，就很大

右边的杆子，如果用高斯滤波就用很近的地方赋予到很远的地方

用双边滤波就可以加颜色信息 避免此类