激光扫描通常产生不同点密度的点云数据集。此外,测量误差导致了更多的稀疏异常值,会得到更不好的结果。这使局部点云特征的估计复杂化,例如表面法线或曲率变化,导致错误的值,这又可能导致点云注册失败。其中一些不好的点云可以通过对每个点的邻域进行统计分析,并修剪不符合某些标准的那些。我们的稀疏异常值去除是基于输入数据集中点对点距离的分布的计算。对于每个点,我们计算从它到其所有邻居的平均距离。通过假设所得到的分布是具有平均值和标准偏差的高斯分布,其平均距离在由全局距离平均值和标准偏差定义的阈值之外的所有点可以被认为是离群值并从数据集中修剪。
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
int main(int argc, char **argv) {
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PCDReader reader;
reader.read<pcl::PointXYZ>("../table_scene_lms400.pcd", *cloud);
std::cerr << "Cloud before filtering: " << std::endl;
std::cerr << *cloud << std::endl;
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);
sor.setStddevMulThresh(1.0);
sor.filter(*cloud_filtered);
std::cerr <<"Cloud after filtering : " << std::endl;
std::cerr << *cloud_filtered << std::endl;
pcl::PCDWriter writer;
writer.write<pcl::PointXYZ>("../tabel_scene_lms400_inliers.pcd", *cloud_filtered, false);
sor.setNegative(true);
sor.filter(*cloud_filtered);
writer.write<pcl::PointXYZ>("../tabel_scene_lms400_outliers.pcd", *cloud_filtered, false);
return 0;
}
蓝色部分是内点,而黄色的部分就是离群点,在实际处理中可以对其进行去除。又下图可以看到大概剔除了10000个异常值,而且对于处理的点云都是unorganized的