CloudCompare——点云滤波

一、低通滤波

1.算法原理

  局部范围内拟合平面，设置适当的阈值，把远离平面的点当做离群点删除。由于算法的工作方式，它在平面（墙壁等）上非常强大。但是，特别是如果使用太高的内核半径（或太低的错误阈值），它将“吃掉”角落。为了保存角点或锐边，可以尝试以较小的半径和相对较高的错误阈值重复运行该算法。

2.软件实现

1、找到低通滤波功能

2、设置相关参数

• Points/Radius：选择在每个点周围提取给定数量的邻居（适用于密度恒定的云）或指定球半径（球应该足够大，通常至少可以捕获6个点）
• Max error：输入最大误差（点到拟合平面的距离），以确定点是否被删除。误差可以是相对的Relative（作为拟合平面上邻域重投影误差的一个因子）或绝对的Absolute。
• Remove isolated points：去除孤立点。如果使用的是②位置的半径搜索，球邻域内少于3个点，则认为该点为孤立点，剔除。

3.结果展示

滤波前

滤波后

二、直通滤波

1.算法原理及代码实现

见：[1]

2.软件实现

这里仅以Z方向的滤波操作为例，x、y、xy、xz、yz方向上的直通滤波操作方法相同。

1、选定进行直通滤波的方向

2、根据高程分布色谱图查看高程分布

3、设置直通滤波范围阈值：

3.结果展示

阈值范围内的点

阈值范围外的点

三、高斯滤波

1.算法原理及代码实现

见：[2]

2.软件实现

1、找到高斯滤波功能

2、设置参数

   选择一个“内核”大小（实际上是球体的半径，在该半径中，将在每个点周围提取最近的邻居以计算平均值）。滤波器越大越强（计算速度越慢…）。

3.结果展示

滤波前

滤波后

差距不够明显？？放个明显的图

四、双边滤波

1.算法原理及代码实现

见：[3]

2.软件实现

1、找到双边滤波功能

2、设置参数

• Spatial sigma：滤波器空间部分的正态分布方差
• Scalar sigma：滤波器标量部分的正态分布方差

3.结果展示

滤波前

滤波后

五、统计滤波

1.算法原理及代码实现

见：[4]

2.软件实现

参数设置

完整操作

3.代码过程

该算法在PCL、Open3D、matlab中都有现成调用接口。为什么要再自己写呢？因为我乐意。

4.结果展示

CloudCompare软件滤波结果

手写代码运行结果

六、CSF地面滤波

1.算法原理及代码实现

见：[5]

2.软件实现

1、加载点云数据，点击Plugins中的CSF Filter功能

2、弹出如下窗口：


  图中：Cloth resolution：是指用于覆盖地形的布的网格大小(单位与点云的单位相同)。你设置的布分辨率越大，你得到的DTM就越粗糙；Max iterations：是指地形仿真的最大迭代次数。500对大多数场景来说都足够了。Classification threshold：是指根据点与模拟地形之间的距离，将点云划分为地面和非地面部分的阈值。0.5适用于大多数场景
  这里的网格分辨率和距离阈值最小只能设置为10cm,地面10cm的范围默认是地面点，精确度不如自己代码实现中的高。
3、最后得到的结果：

七、坡度法地面滤波

1.算法原理及代码实现

见：[8] [9] [10]

2.软件实现

2.1 计算坡度

  CloudCompare中的Gradient功能用于计算标量域的梯度/坡度/倾斜度。当标量域设置为高程的时候，计算的就是坡度。操作如下：
1、设置待计算的标量域为：高程

2、计算坡度

这里会蹦出一个对话框：“Gradient字段是要用（欧几里德）距离进行计算吗？”。

当前标量域是点云实体的高程，因此选"yes"。

2.2 设置坡度阈值

进行如下操作，可看到点云中每个点的坡度分布：

根据右侧的坡度值分布色谱图，设置阈值：

坡度阈值设置为：0.1，点击Split即可完成地面点与非地面点的分割。

3.结果展示

3.1 非地面点

3.2 地面点

八、相关链接

[1] PCL 直通滤波器
[2] PCL 高斯滤波
[3] PCL 双边滤波
[4] PCL 统计滤波器
[5] Open3D 实现CSF布料模拟算法
[6] python代码：Open3D 实现坡度滤波算法
[7] C++代码：点云地面滤波实验之坡度法（实验三）