PCL中关于滤波模块的类

类Bilateral通过取邻近采样点的加权平均来修正当前采样点的位置，从而达到滤波效果。同时也会有选择剔除部分与当前采样点“差异”太大的相邻采样点，从而达到保持原特征的目的。

       类ApproximateVoxelGrid根据给定的点云形成三维体素栅格，并利用所有体素的中心点近似体素中包含的点集，这样完成下采样得到滤波结果。这类比较对海量点云数据在处理前进行数据压缩，特别是在特征提取等处理中选择合适的体素大小等尺度相关参数，可以很好的提高算法效率。

      类VoxelGrid根据给定的点云构造一个三维体素栅格并进行下采样达到滤波的效果。具体来说，类VoxelGrid通过输入的点云数据创建一个三维体素栅格，然后将每个体素内所有的点都用该体素内的点集的重心来近似，这样就大大减少了数据量，所以该类常用于对大数据量的下采样处理，特别是在配准、曲面重建等工作之前作为预处理，可以很好的提高程序的速度。

     类ConditionalRemoval实现过滤满足一定条件的点云数据，非常灵活，可以由用户设置滤波条件。

      类GaussianKernel是基于高斯核的卷积滤波实现，高斯过滤器相当于一个具有平滑性能的低通滤波器，通过该类处理后的点云，相对比较平滑。

      类PassThrough实现对用户给定点云某个字段的限定下，对点云进行简单的基本过滤，例如限制过滤掉点云中所有x字段不在某个范围内的点，该类的使用比较灵活但完全取决于用户的限定字段和对应条件。

      统计滤波器StatisticalOutlierRemoval用于去除明显离群点（离群点往往由测量噪声引入）。其特征是在空间中分布稀疏，可以理解为：每个点都表达一定信息量，某个区域点越密集则可能信息量越大。噪声信息属于无用信息，信息量较小。所以离群点表达的信息可以忽略不计。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。

       半径滤波器RadiusOutlierRemoval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。

    直通滤波器：

// Create the filtering object

pcl::PassThrough pass;

pass.setInputCloud (cloud);

pass.setFilterFieldName ("z");

pass.setFilterLimits (0.0, 1.0);

//pass.setFilterLimitsNegative (true);

pass.filter (*cloud_filtered);

体素滤波器：

  //Create the filtering object

 pcl::VoxelGrid sor;

 sor.setInputCloud (cloud);

 sor.setLeafSize (0.01f, 0.01f, 0.01f);

 sor.filter (*cloud_filtered);

统计滤波器：

// Create the filtering object

 pcl::StatisticalOutlierRemoval sor;

 sor.setInputCloud (cloud);

 sor.setMeanK (50);

 sor.setStddevMulThresh (1.0);

 sor.filter (*cloud_filtered);

半径滤波器：

// build the filter

   pcl::RadiusOutlierRemoval outrem;

   outrem.setInputCloud(cloud);

   outrem.setRadiusSearch(0.8);

   outrem.setMinNeighborsInRadius (2);

   // apply filter

outrem.filter(*cloud_filtered);