《PCL点云库学习&VS2010(X64)》Part 16 PCL1.72（VTK6.2.0）滤波例程（2）之双边滤波

Part 16 PCL1.72（VTK6.2.0）滤波例程（2）之双边滤波

1、BilteralFilter.cpp:

      kdTree只能使用pcl/search/kdtree.h里的，pcl/kdtree/kdtree_flann.h里的在setSearchMethod()函数中会出现报错。这个问题在查找源码后得到了解决：

1）对于散乱无序点云使用pcl/kdtree/kdtree_flann.h

2）对于有序点云则使用pcl/search/kdtree.h

       该程序调试需要自己思考下，最好找到源码看看。结合二维图像中的双边滤波算法理论，可以对该算法有一个比较深入的理解，双边滤波的效果是保边去噪，在该算法中也有体现，滤波后点云的数量没有变化，但是强度数据有一个均匀化的过程，结果可以通过可视化来观察。

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/filters/bilateral.h>


#include <pcl/kdtree/flann.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/search/flann_search.h>
#include <pcl/search/kdtree.h>


typedef pcl::PointXYZI PointT;


int
main(int argc, char*argv[])
{
	std::string incloudfile = argv[1];
	std::string outcloudfile = argv[2];
	float sigma_s = atof(argv[3]);
	float sigma_r = atof(argv[4]);


	// 读入点云文件
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
	pcl::io::loadPCDFile(incloudfile.c_str(), *cloud);


	pcl::PointCloud<PointT>outcloud;


	// 建立kdtree
	//pcl::KdTreeFLANN<PointT>::Ptr tree(new pcl::KdTreeFLANN<PointT>);
	pcl::search::KdTree<PointT>::Ptr tree1(new pcl::search::KdTree<PointT>);
	pcl::BilateralFilter<PointT> bf;
	bf.setInputCloud(cloud);
	bf.setSearchMethod(tree1);
	bf.setHalfSize(sigma_s);
	bf.setStdDev(sigma_r);
	bf.filter(outcloud);


	// 保存滤波输出点云文件
	pcl::io::savePCDFile(outcloudfile.c_str(), outcloud);
	return (0);
}

2、FastBilateralFilter.cpp

//点的类型的头文件  
#include <pcl/point_types.h>  //required
//点云文件IO（pcd文件和ply文件）  
#include <pcl/io/pcd_io.h>  //required
#include <pcl/io/ply_io.h>  
//kd树  
#include <pcl/kdtree/kdtree_flann.h>  
//特征提取  
#include <pcl/features/normal_3d_omp.h>  
#include <pcl/features/normal_3d.h>  
//重构  
#include <pcl/surface/gp3.h>  
#include <pcl/surface/poisson.h>  
//可视化  
#include <pcl/visualization/pcl_visualizer.h> 
#include <pcl/visualization/cloud_viewer.h>
//多线程  
#include <boost/thread/thread.hpp>  
#include <fstream>  
#include <iostream>  
#include <stdio.h>  
#include <string.h>  
#include <string>  
//计时  
#include <time.h> 
//Bilateral Filter
#include <pcl/filters/bilateral.h>//required
#include <pcl/filters/fast_bilateral.h>
#include <pcl/filters/fast_bilateral_omp.h>

typedef pcl::PointXYZI PointT;

float sigma_s;
float sigma_r;

int main(int argc, char** argv)
{
	// 确定文件格式  
	char tmpStr[100];
	strcpy(tmpStr, argv[1]);
	char* pext = strrchr(tmpStr, '.');
	std::string extply("ply");
	std::string extpcd("pcd");
	if (pext){
		*pext = '\0';
		pext++;
	}
	std::string ext(pext);
	//如果不支持文件格式，退出程序  
	if (!((ext == extply) || (ext == extpcd))){
		std::cout << "文件格式不支持!" << std::endl;
		std::cout << "支持文件格式：*.pcd和*.ply！" << std::endl;
		return(-1);
	}

	//根据文件格式选择输入方式  
	pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>); //创建点云对象指针，用于存储输入  
	pcl::PointCloud<pcl::PointXYZI> outcloud;
	//pcl::PCLPointCloud2::ConstPtr cloud;

	if (ext == extply){
		if (pcl::io::loadPLYFile(argv[1], *cloud) == -1){
			PCL_ERROR("Could not read ply file!\n");
			return -1;
		}
	}
	else{
		if (pcl::io::loadPCDFile(argv[1], *cloud) == -1){
			PCL_ERROR("Could not read pcd file!\n");
			return -1;
		}
	}
	/
	//create a timer  
	clock_t start, end;

	

	//(1）如果点云是有序的，通过 pcl: : Organ izedDatalnd ex 使用有序搜索方法 。
	//(2 ） 如果点云是无序的，通过 pcl : : KdTreeFLANN 使用通用的 Kd 树
	//有序点云
	//Example:
	//	cloud.width = 640; // Image-like organized structure, with 640 rows and 480 columns,
	//	cloud.height = 480; // thus 640*480=307200 points total in the dataset
	//无序点云
	//Example:
	//	cloud.width = 307200;
	//	cloud.height = 1; // unorganized point cloud dataset with 307200 points



	// 建立kdtree
	pcl::KdTreeFLANN<pcl::PointXYZI>::Ptr tree(new pcl::KdTreeFLANN<pcl::PointXYZI>);

	pcl::BilateralFilter<pcl::PointXYZI> bf;
	bf.setInputCloud(cloud);
	//bf.setSearchMethod(tree);
	bf.setHalfSize(sigma_s);
	bf.setStdDev(sigma_r);
	bf.filter(outcloud);

	// 保存滤波输出点云文件
	//pcl::io::savePCDFile(outcloud, "outcloud");

	/
	// Apply the filter
	
	//pcl::FastBilateralFilterOMP<pcl::PointXYZ> fbf(10);//OpenMP Accelerator
	

	//pcl::FastBilateralFilter<pcl::PointXYZ> fbf;
	fbf.setInputCloud(cloud);
	//fbf.setInputCloud(cloud);
	//fbf.setSigmaS(5.0);//定义算法支持的滤波范围的大小
	//fbf.setSigmaR(0.003);
	//pcl::PointCloud<pcl::PointXYZ> cloud_filtered;

	//start = clock();
	fbf.filter(cloud_filtered);
	//fbf.applyFilter(cloud_filtered);
	//end = clock();

	//std::cerr << "Start compute!" << std::endl;
	//std::cerr << (end - start) / CLOCKS_PER_SEC << "s used!" << std::endl;

	 Convert data back
	//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_output;
	toPCLPointCloud2(cloud_filtered, cloud_output);
	//pcl::concatenateFields(*cloud, cloud_filtered, *cloud_output);
	//pcl::copyPointCloud(*cloud_output, *cloud);

	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("BilateralFilter"));
	viewer->addPointCloud(outcloud, "cloud");

	viewer->updateCamera();
	viewer->updatePointCloud(cloud, "cloud");
	viewer->initCameraParameters();

	//viewer->spin();  
	while (!viewer->wasStopped()){
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}