PCL学习笔记6-filter滤波

需要滤波的情况

（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

对应的方案如下：

（1）按照给定的规则限制过滤去除点

（2） 通过常用滤波算法修改点的部分属性

 （3）对数据进行下采样

PCL点云格式分为有序点云和无序点云

• 针对有序点云提供了双边滤波、高斯滤波、中值滤波等
• 针对无序点云提供了体素栅格、随机采样等

1. 直通滤波器

将不在给定范围内的数据过滤掉

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.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>);

  //生成并填充点云
  cloud->width  = 5;
  cloud->height = 1;
  cloud->points.resize (cloud->width * cloud->height);

  for (size_t i = 0; i < cloud->points.size (); ++i)   //填充数据
  {
    cloud->points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud->points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud->points[i].z = 1024 * rand () / (RAND_MAX + 1.0f);
  }

  std::cerr << "Cloud before filtering: " << std::endl;   //打印
  for (size_t i = 0; i < cloud->points.size (); ++i)
    std::cerr << "    " << cloud->points[i].x << " " 
                        << cloud->points[i].y << " " 
                        << cloud->points[i].z << std::endl;
  /************************************************************************************
   创建直通滤波器的对象，设立参数，滤波字段名被设置为Z轴方向，可接受的范围为（0.0，1.0）
   即将点云中所有点的Z轴坐标不在该范围内的点过滤掉或保留，这里是过滤掉，由函数setFilterLimitsNegative设定
   ***********************************************************************************/
  // 设置滤波器对象
  pcl::PassThrough<pcl::PointXYZ> pass;
  pass.setInputCloud (cloud);            //设置输入点云
  pass.setFilterFieldName ("z");         //设置过滤时所需要点云类型的Z字段
  pass.setFilterLimits (0.0, 1.0);        //设置在过滤字段的范围
  //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

  std::cerr << "Cloud after filtering: " << std::endl;   //打印
  for (size_t i = 0; i < cloud_filtered->points.size (); ++i)
    std::cerr << "    " << cloud_filtered->points[i].x << " " 
                        << cloud_filtered->points[i].y << " " 
                        << cloud_filtered->points[i].z << std::endl;

  return (0);
}

2. 体素滤波下采样

通过输入点云创建一个三维体素栅格，每个体素内所有点的重心近似其他点，这种方法比用体素中心逼近的方法更慢，但是对于采样点对应曲面的表示更为准确

// 重点下面一行代码，体素为0.01*  0.01*0.01的立方体
sor.setLeafSize (0.01f, 0.01f, 0.01f);// 单位：m

3. statisticalOutlierRemoval滤波器移除离群点（统计滤波）

对每个点的邻域进行统计分析，修剪掉一些不符合标准的点。

对每一个点，计算它到其所有临近点的平均距离，所有点的平均距离将符合高斯分布。如果某个点的平均距离超过整体均值一个标准差以上，则该点被定义为离群点并可从数据中去除。

4. 参数化模型投影点云

将点投影到一个参数化模型上（平面或者球体）

例如，将三维点云投影到XY平面，则Z坐标为0.

5. 从一个点云中提取索引

基于某一分割算法提取点云中的一个子集

1. voxel下采样
2. 分割
3. 滤波

6. 使用ConditionalRemoval或RadiusOutlinerRemoval移除离群点

ConditionalRemoval滤波器，可以一次删除满足设定的一个或多个条件指标的所有的数据

RadiusOutlinerRemoval滤波器，它可以删除在输入点云一定范围内没有达到足够多近邻的所有数据点。

关于RadiusOutlinerRemoval的理解，在点云数据中，设定每个点一定范围内周围至少有足够多的近邻，不满足就会被删除在点云数据中，用户指定每个点的一定范围内周围至少要有足够多的近邻。例如，如果指定至少要有1个邻居，只有黄色的点会被删除，如果指定至少要有2个邻居，黄色和绿色的点都将被删除。

 7. 双边滤波器

取邻近采样点的加权平均修正当前采样点的位置

8.均匀采样