PCL中点云滤波器的使用（Filtering In PCL）

1 开发环境配置

（1) VS2015 & PCL1.8.1

（2) 配置PCL头文件及库目录

Include:
$(PCL_ROOT);
$(PCL_ROOT)\include\pcl-1.8;
$(PCL_ROOT)\3rdParty\Eigen\eigen3;
$(PCL_ROOT)\3rdParty\FLANN\include;
$(PCL_ROOT)\3rdParty\VTK\include\vtk-8.0;
$(PCL_ROOT)\3rdParty\Boost\include\boost-1_64;

lib:
$(PCL_ROOT)\lib\*.lib
$(PCL_ROOT)\3rdParty\VTK\lib\*.lib
$(PCL_ROOT)\3rdParty\FLANN\lib\*.lib
$(PCL_ROOT)\3rdParty\Boost\lib\*.lib

2 PCL 滤波器介绍

PCL中基本滤波器主要有以下六种：

（1）PassThrough filter

PassThrough filter是在特定的维度（x, y, z坐标轴中的某一个）对点云进行滤波，即移除给定范围的内部点云或外部点云。使用方式如下代码所示，

	// Create the filtering object
	pcl::PassThrough<pcl::PointXYZ> pass;
	pass.setInputCloud(cloud);
	pass.setFilterFieldName("z");
	pass.setFilterLimits(580.0, 900.0);
	//pass.setFilterLimitsNegative (true);
	pass.filter(*cloud_filtered);

以上代码主要是创建PassThrough filter对象并设置其参数，此处滤波坐标系设置为Z轴，通过setFilterLimits来选取( 580<Z<900 )内的点云。当setFilterLimitsNegative参数设为True时，则选取（ Z<580 || Z >900 ）内的点云，程序最后一行filter的参数指定滤波后的点云。下图为选取点云的简单示意图：

官方示例给出结果为：

Cloud before filtering:
	0.352222 -0.151883 -0.106395
	-0.397406 -0.473106 0.292602
	-0.731898 0.667105 0.441304
	-0.734766 0.854581 -0.0361733
	-0.4607 -0.277468 -0.916762
Cloud after filtering:
	-0.397406 -0.473106 0.292602
	-0.731898 0.667105 0.441304

 但是在我电脑上运行时，得到的点云值均比较大，重新设置阈值为0~200后，得到结果如下：

D:\asher\project\FiltersInPCL\bin>FiltersInPCL.exe
Cloud before filtering:
    1.28125 577.094 197.938
    828.125 599.031 491.375
    358.688 917.438 842.563
    764.5 178.281 879.531
    727.531 525.844 311.281
Cloud after filtering:
    1.28125 577.094 197.938

原因是官方例子中的Rand()返回的数值与我的电脑上返回数值不一致，我的返回数值参考http://www.cplusplus.com/reference/cstdlib/rand/可知结果正确的，但是官方例子Rand()返回的为0到1之间小数，调用的为excel函数，可参考https://baike.baidu.com/item/rand%28%29。

对原始代码稍作修改，读入一ply文件测试结果，

原始点云：

没有调用setFilterLimitsNegative(true)时结果：

调用setFilterLimitsNegative(true)后：

可以看到在我的ply文件中有两个平面，当我设置一个合适的阈值时，就可以得到其中的一个平面，这是其中的一种垂直于坐标轴较极端情况。

源码和具体工程请参考https://github.com/yazhouzheng/FilteringInPCL.git 中的 passthrough.cpp 文件。

（2）VoxelGrid filter

VoxelGrid filter 是通过体素化网格方法对点云数据集进行降采样（即减少点云的个数)。体素网格类在输入点云上创建一个三维体素网格。我们可以把每个体素网格想象成空间中一组微小的三维立方体。然后在每个体素中（即每个三维立方体中），所有存在的点都近似其质心（即，向下采样）。这种方法比用体素的中心来近似要慢一些，但它更准确地表示了点云所处的潜在曲面。VoxelGrid filter 使用方式如下：