点云处理——孔洞修补

之前在做基于点云的孔洞修补研究，参考了一些学位论文后选择了一种基于自己能力能够复现的简单算法，虽然最终效果一般，不过在这个过程中收获了很多，特此记录。
基于点云的孔洞修补与基于三角网格的孔洞修补相比，点云本身的复杂性和边界不确定性就决定了其在孔洞识别和修补上的困难度。
修补前的滤波工作很重要，滤的不够噪声点会对修补造成很大影响，但滤的太多又很容易丢失孔洞原有的形状，难以识别。所以最后选择仅对点云中的闭合孔洞进行识别修补，并采用一种基于邻域信息不断扩张边界的方法，见参考文献。

1.平均点距计算

平均点距用来为后续半径搜索和孔洞填充阈值的设定提供参考，可以使用空间分块策略进行估算。
（1）计算出包含全部点云的最小包围盒，得到x,y,z三个轴向上的长度dx,dy,dz。
（2）计算预估栅格边长L，使用公式：

（3）使用长宽高均为L的立方体将最小包围盒栅格化，可得到全部栅格数N。
（4）遍历所有点云数据，将其置入栅格中，可以统计得到非空栅格数Ncell，使用公式即可估算出整幅点云的平均点距：

float AvgDis(pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_ptr)
{
   
	pcl::PointCloud<pcl::PointXYZRGB>::iterator it;
	float max_x, max_y, max_z, min_x, min_y, min_z;
	float _distanceX, _distanceY, _distanceZ;
	float _length;
	float _Avgdis;
	int Ncell, Nall, num;
	Ncell = 0;
	num = cloud_ptr->points.size();
	max_x = min_x = cloud_ptr->points[0].x;
	max_y = min_y = cloud_ptr->points[0].y;
	max_z = min_z = cloud_ptr->points[0].z;
	for (size_t i = 0; i < num; i++){
   
		if (cloud_ptr->points[i].x>max_x){
   
			max_x = cloud_ptr->points[i].x;
		}
		if (cloud_ptr->points[i].x<min_x){
   
			min_x = cloud_ptr->points[i].x;
		}
		if (cloud_ptr->points[i].y>max_y){
   
			max_y = cloud_ptr->points[i].y;
		}
		if (cloud_ptr->points[i].y<min_y){
   
			min_y = cloud_ptr->points[i].y