【PCL】教程 statistical_removal.cpp 移除统计学上的异常值（outliers）来清洗数据

[done, 960.866 ms : 460400 points]
Available dimensions: x y z intensity distance sid

table_scene_lms400.pcd

[done, 1414.24 ms : 451410 points]
Available dimensions: x y z

table_scene_lms400_inliers.pcd

[done, 412.985 ms : 8990 points]
Available dimensions: x y z

table_scene_lms400_outliers.pcd

这段代码是一个使用PCL (Point Cloud Library) 进行点云数据处理的C++程序。程序的主要目的是移除统计学上的异常值（outliers）来清洗数据。

1. 首先，代码包含了所需的库文件，这些库提供了点云处理的相关功能，包括输入/输出操作和定义点类型等。

2. 接着，定义了主函数 main，程序的执行从这里开始。

3. 在主函数中，声明了两个点云对象的指针：cloud 和 cloud_filtered。其中 cloud 用于存储原始数据，而 cloud_filtered 用于存储过滤后的数据。

4. 然后使用 pcl::PCDReader 对象读取一个PCD文件（点云数据文件），路径为 "table_scene_lms400.pcd"。此文件需要提前存在于指定路径。

5. 输出原始点云数据的信息，以便于观察过滤之前的数据状态。

6. 创建了一个过滤器对象 pcl::StatisticalOutlierRemoval<pcl::PointXYZ>，这个对象可以通过统计分析来移除点云中的异常值。

7. 设置过滤器参数：setMeanK 设定邻近点的数量，setStddevMulThresh 设定标准差乘数阈值，这些参数用于定义什么样的点被认为是异常值。

8. 通过调用过滤器的 filter 方法执行过滤操作，并将结果存储到 cloud_filtered。

9. 输出过滤后的点云数据的信息，以便于观察对比。

10. 使用 pcl::PCDWriter 对象将过滤后保留的数据写入到一个新的PCD文件 "table_scene_lms400_inliers.pcd"。

11. 设置过滤器的 setNegative 为 true，这样可以获取所有被认为是异常值的点。

12. 再次执行过滤操作，并将结果写入到另一个新文件 "table_scene_lms400_outliers.pcd"，用于保存异常值点云。

整体上，这段代码实现了对点云数据中异常值的识别和移除，可以用于数据的预处理以提高后续处理步骤的准确性。

终端输出：

Cloud before filtering:
header: seq: 0 stamp: 0 frame_id:
points[]: 460400
width: 460400
height: 1
is_dense: 1
sensor origin (xyz): [0, 0, 0] / orientation (xyzw): [0, 0, 0, 1]


Cloud after filtering:
header: seq: 0 stamp: 0 frame_id:


points[]: 451410
width: 451410
height: 1
is_dense: 1
sensor origin (xyz): [0, 0, 0] / orientation (xyzw): [0, 0, 0, 1]

#include <iostream> // 引入iostream库，用于输入输出
#include <pcl/io/pcd_io.h> // 引入pcl库中的pcd_io模块，用于读取和保存PCD文件
#include <pcl/point_types.h> // 引入pcl库中的point_types模块，定义了各种类型的点云
#include <pcl/filters/statistical_outlier_removal.h> // 引入pcl库中的statistical_outlier_removal模块，用于统计离群值移除滤波


int
main ()
{
  // 声明两个点云指针，分别用于存储原始点云和滤波后的点云
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);


  // 读取点云数据
  pcl::PCDReader reader; // 创建一个PCD文件读取对象
  // 用reader对象读取PCD文件，文件路径需替换为实际路径
  reader.read<pcl::PointXYZ> ("table_scene_lms400.pcd", *cloud);


  // 输出原始的点云数据大小
  std::cerr << "Cloud before filtering: " << std::endl;
  std::cerr << *cloud << std::endl;


  // 创建离群值滤波处理对象
  pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; // 创建滤波器对象
  sor.setInputCloud (cloud); // 设置输入点云
  sor.setMeanK (50); // 设置在进行统计时考虑的临近点个数
  sor.setStddevMulThresh (1.0); // 设置判断是否为离群值的阈值乘数
  sor.filter (*cloud_filtered); // 执行滤波，过滤后的点云存储在cloud_filtered中


  // 输出滤波后的点云数据大小
  std::cerr << "Cloud after filtering: " << std::endl;
  std::cerr << *cloud_filtered << std::endl;


  // 保存滤波后的点云到PCD文件
  pcl::PCDWriter writer; // 创建一个PCD文件写入对象
  writer.write<pcl::PointXYZ> ("table_scene_lms400_inliers.pcd", *cloud_filtered, false);


  // 将离群值反转，即获得所有被认为是离群值的点云
  sor.setNegative (true);
  sor.filter (*cloud_filtered);
  // 保存这部分离群值点云到另一个PCD文件
  writer.write<pcl::PointXYZ> ("table_scene_lms400_outliers.pcd", *cloud_filtered, false);


  return (0); // 程序正常退出
}

这段C++代码使用了PCL（Point Cloud Library）库，主要功能是读取一个PCD（点云数据）文件，对其中的数据进行统计学离群值滤波处理，然后将滤波后的点云和被识别出的离群值点云分别保存为新的PCD文件。统计学离群值滤波是一种用来剔除离群点（例如由噪声或其他原因产生的不正确测量值）的方法，它通过计算每一个点的邻域内其他点的距离分布情况，将那些不符合特定标准差乘数的点标记为离群值，并进行过滤。这在点云的预处理中是一个常用的步骤，可以改善后续处理的结果，如点云配准、表面重建等。

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;