学习点云和pcl算法初步②

**

点云初步学习②

主要工具：visual studio 2019 和cloudcompare（自行编译）

1.点云预处理（滤波）：①点云去噪②点云的简化

原因： （1） 点云数据密度不规则需要平滑
      （2） 因为遮挡等问题造成离群点需要去除
      （3） 大量数据需要下采样
      （4） 噪声数据需要去除

①点云去噪：去除离群点和点云的平滑处理

去除离群点：①半径滤波②统计滤波
点云的平滑处理：①双边滤波 ②导向滤波

1. 直通滤波器（PassThrough 滤波） pcl::PassThroughpcl::PointXYZ pass

最简单的一种滤波器，它的作用是过滤掉在指定维度方向上取值不在给定值域内的点。直通滤波器的实现原理如下：首先，指定一个维度以及该维度下的值域，其次，遍历点云中的每个点，判断该点在指定维度上的取值是否在值域内，删除取值不在值域内的点，最后，遍历结束，留下的点即构成滤波后的点云。直通滤波器简单高效，适用于消除背景等操作。

#include <pcl/filters/passthrough.h>
  如果使用线结构光扫描的方式采集点云，必然物体沿z向分布较广，
  但x,y向的分布处于有限范围内。
  此时可使用直通滤波器，确定点云在x或y方向上的范围，
  可较快剪除离群点，达到第一步粗处理的目的。

  // 创建点云对象　指针
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
  // 原点云获取后进行滤波
  pcl::PassThrough<pcl::PointXYZ> pass;// 创建滤波器对象
  pass.setInputCloud (cloud);//设置输入点云
  pass.setFilterFieldName ("z");//滤波字段名被设置为Z轴方向
  pass.setFilterLimits (0.0, 1.0);//可接受的范围为（0.0，1.0） 
  //pass.setFilterLimitsNegative (true);//设置保留范围内 还是 过滤掉范围内
  pass.filter (*cloud_filtered); //执行滤波，保存过滤结果在cloud_filtered

2.体素滤波器（下采样）
使用体素化网格方法实现下采样，即减少点的数量 减少点云数据，并同时保存点云的形状特征，在提高配准，曲面重建，形状识别等算法速度中非常实用。

1.VoxelGrid原理是根据输入的点云，首先计算一个能够刚好包裹住点云的立方体，然后根据设定的分辨率，
将该大立方体分割成不同的小立方体，对于每个小立方体的点，计算他们的质心（重心），并用质心的坐标来近似该立方体内的若干点。

#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.01f,0.01f,0.01f);//设置格子大小
sor.filter(*cloud_filtered)//保留滤波后的点

2.ApproximateVoxelGrid(近似体素）的不同在于利用每个小立方体的中心来近似表示该立方体的若干点，相比于VoxelGrid，
计算速度快，但损失了一部分点云局部形态的精细度。
pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter;
approximate_voxel_filter.setLeafSize(0.2,0.2,0.2);//格子大小
approximate_voxel_filter.setInputCloud(input_cloud);
approximate_voxel_filter.filter(*filtered_cloud);//保留滤波后的点

3.均匀采样滤波器（下采样）

这个类基本上是相同的，但它输出的点云索引是选择的关键点,是在计算描述子的常见方式。均匀采样滤波器不改变点的位置，下采样后，点云分布基本均匀，
  原理同体素格 （正方体立体空间内 保留一个点（重心点））
  而 均匀采样：半径球体内 保留一个点（重心点）
  #include <pcl/filters/uniform_sampling.h>//均匀采样
  ----------------------------------------------------------
   // 创建滤波器对象　Create the filtering object
      pcl::UniformSampling<pcl::PointXYZ> filter;// 均匀采样
      filter.setInputCloud(cloud_ptr);//输入点云
      filter.setRadiusSearch(0.01f);//设置半径
      //pcl::PointCloud<int> keypointIndices;// 索引
      filter.filter(*cloud_filtered_ptr);

4.增采样 setUpsamplingMethod

  增采样是一种表面重建方法，当你有比你想象的要少的点云数据时，
  增采样可以帮你恢复原有的表面（S），通过内插你目前拥有的点云数据，
  这是一个复杂的猜想假设的过程。所以构建的结果不会百分之一百准确，
  但有时它是一种可选择的方案。
  所以，在你的点云云进行下采样时，一定要保存一份原始数据！
  #include <pcl/surface/mls.h>
  ------------
  // 滤波对象
      pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ> filter;
      filter.setInputCloud(cloud);
      //建立搜索对象
      pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree;
      filter.setSearchMethod(kdtree);
      //设置搜索邻域的半径为3cm
      filter.setSearchRadius(0.03);
      // Upsampling 采样的方法有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
      filter.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE);
      // 采样的半径是
      filter.setUpsamplingRadius(0.03);
      // 采样步数的大小
      filter.setUpsamplingStepSize(0.02);

      filter.process(*filteredCloud);

5.统计滤波器 statisticalOutlierRemoval
统计滤波器的主要思想是假设点云中所有的点与其最近的k个邻居点的平均距离满足高斯分布，那么，根据均值和方差可确定一个距离阈值，当某个点与其最近k个点的平均距离大于这个阈值时，判定该点为离群点并去除。

统计滤波器的实现原理如下：首先，遍历点云，计算每个点与其最近的k个邻居点之间的平均距离；其次，计算所有平均距离的均值μ与标准差σ，则距离阈值dmax可表示为dmax=μ＋α×σ，α是一个常数，可称为比例系数，它取决于邻居点的数目；最后，再次遍历点云，剔除与k个邻居点的平均距离大于dmax的点。

// 创建点云对象　指针
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
  // 源点云读取　获取　后
  // 创建滤波器，对每个点分析的临近点的个数设置为50 ，并将标准差的倍数设置为1  这意味着如果一
  //个点的距离超出了平均距离一个标准差以上，则该点被标记为离群点，并将它移除，存储起来
  pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;//创建滤波器对象
  sor.setInputCloud (cloud);                        //设置待滤波的点云
  sor.setMeanK (50);                               　//设置在进行统计时考虑查询点临近点数
  sor.setStddevMulThresh (1.0);