PCL库中，去除噪声离群点

参考来源：https://zhuanlan.zhihu.com/p/102748557

首先用最简单的，半径距离筛选大部分离群点`

#include <pcl/filters/radius_outlier_removal.h>
  
  球半径滤波器与统计滤波器相比更加简单粗暴。
  以某点为中心　画一个球计算落在该球内的点的数量，当数量大于给定值时，
  则保留该点，数量小于给定值则剔除该点。
  此算法运行速度快，依序迭代留下的点一定是最密集的，
  但是球的半径和球内点的数目都需要人工指定。

  // 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

  pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;  //创建滤波器
  outrem.setInputCloud(cloud);    //设置输入点云
  outrem.setRadiusSearch(0.8);    //设置半径为0.8的范围内找临近点
  outrem.setMinNeighborsInRadius (2);//设置查询点的邻域点集数小于2的删除
      // apply filter
  outrem.filter (*cloud_filtered);//执行条件滤波  在半径为0.8 在此半径内必须要有两个邻居点，此点才会保存

然后再使用统计的方法再过滤一遍，基本就很干净了

#include <pcl/filters/statistical_outlier_removal.h>

  统计滤波器用于去除明显离群点（离群点往往由测量噪声引入）。
  其特征是在空间中分布稀疏，可以理解为：每个点都表达一定信息量，
  某个区域点越密集则可能信息量越大。噪声信息属于无用信息，信息量较小。
  所以离群点表达的信息可以忽略不计。考虑到离群点的特征，
  则可以定义某处点云小于某个密度，既点云无效。计算每个点到其最近的k(设定)个点平均距离
  。则点云中所有点的距离应构成高斯分布。给定均值与方差，可剔除ｎ个∑之外的点

  激光扫描通常会产生密度不均匀的点云数据集，另外测量中的误差也会产生稀疏的离群点，
  此时，估计局部点云特征（例如采样点处法向量或曲率变化率）时运算复杂，
  这会导致错误的数值，反过来就会导致点云配准等后期的处理失败。

  解决办法：对每个点的邻域进行一个统计分析，并修剪掉一些不符合标准的点。
  具体方法为在输入数据中对点到临近点的距离分布的计算，对每一个点，
  计算它到所有临近点的平均距离（假设得到的结果是一个高斯分布，
  其形状是由均值和标准差决定），那么平均距离在标准范围之外的点，
  可以被定义为离群点并从数据中去除。

  // 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);                    　//设置判断是否为离群点的阀值
  sor.filter (*cloud_filtered);                    　//存储```