点云处理【二】(点云滤波)

已于 2023-11-17 10:21:40 修改
阅读量1.7k 收藏 26
点赞数 2
分类专栏： 点云处理 文章标签： 点云 滤波 pcl open3d
于 2023-10-17 08:55:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37249793/article/details/133764459
版权

点云滤波

第一章 点云数据采集
第二章 点云滤波
第三章 点云降采样
第四章 点云关键点检测
第五章 点云特征提取
第六章 点云分割
第七章 点云配准

1. 为什么要滤波？

通常我们获取的点云数据中包含噪声，噪声会影响点云的特征提取、配准和语义处理。

点云需要处理的主要情况包括:
数据量过大，不易于处理，需要进行下采样
通常由遮挡引起的离群点，需要去除
点云数据的密度不均匀需要平滑
噪声数据需要去除

2.滤波算法(本数据单位为mm，通常数据单位为m，取半径之类得参数要除1000)

2.1 索引滤波

索引滤波就是设置索引选择区域，可用于超简单的区域初步筛选，算不上真正的滤波算法。
open3d

import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("xxx.pcd")
idx = np.arange(100000)
# 索引对应的点
pIn = pcd.select_by_index(idx)
pIn.paint_uniform_color([1, 0, 0])
# 索引外的点云
pOut = pcd.select_by_index(idx, invert=True)
pOut.paint_uniform_color([0, 1, 0])
o3d.visualization.draw_geometries([pIn, pOut])

红色是索引内的点，绿色是索引外的点
pcl

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/visualization/pcl_visualizer.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>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1695805751226.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    // 创建索引向量
    pcl::PointIndices::Ptr indices(new pcl::PointIndices());
    for (int i = 0; i <= 100000 && i < cloud->points.size(); ++i)
    {
        indices->indices.push_back(i);
    }
    // 创建提取对象
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    extract.setInputCloud(cloud);
    extract.setIndices(indices);
    extract.setNegative(false); // set to true if you want to extract everything except the specified indices
    extract.filter(*cloud_filtered);
	//将PointXYZ改为PointXYZRGB时可实现彩色显示
	// for (size_t i = 0; i < cloud_filtered->points.size(); ++i)
    // {
    //     if (i <= 10000)
    //     {
    //         // Set color to red
    //         cloud_filtered->points[i].r = 255;
    //         cloud_filtered->points[i].g = 0;
    //         cloud_filtered->points[i].b = 0;
    //     }
    //     else
    //     {
    //         // Set color to green
    //         cloud_filtered->points[i].r = 0;
    //         cloud_filtered->points[i].g = 255;
    //         cloud_filtered->points[i].b = 0;
    //     }
    // }

    std::cout << "Filtered cloud size: " << cloud_filtered->width * cloud_filtered->height << std::endl;
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "sample cloud");

    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }
    return 0;
}

请添加图片描述

2.2 半径滤波

设置半径大小和半径内所需的点云数，用来去除稀疏处的噪声。
Open3d

import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("second/1697165371469.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
print("Radius oulier removal")
cl, ind = pcd.remove_radius_outlier(nb_points=160, radius=20)
radius_cloud = pcd.select_by_index(ind)
o3d.visualization.draw_geometries([radius_cloud], window_name="半径滤波",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
#o3d.io.write_point_cloud("second_radius_cloud.pcd",radius_cloud)

在这里插入图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.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>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    // 创建滤波器对象
    pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
    outrem.setInputCloud(cloud);
    outrem.setRadiusSearch(20);  // 设置半径
    outrem.setMinNeighborsInRadius(160);  // 设置半径内最小的邻居数量
    outrem.filter(*cloud_filtered);

    std::cout << "Filtered cloud size: " << cloud_filtered->width * cloud_filtered->height << std::endl;


    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

在这里插入图片描述

2.3 统计滤波

点云在空间中分布稀疏，定义某处点云小于某个密度，即点云无效。因此我们要计算每个点到其最近的K个点平均距离，则点云中所有点的距离应构成高斯分布，根据全部点集的均值和标准差，计算距离阈值，剔除阈值之外的点。
Open3d

import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("second/1697165371469.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

cl,index = pcd.remove_statistical_outlier(nb_neighbors = 26,std_ratio= 10)
new_cloud = pcd.select_by_index(index)
print(new_cloud)
o3d.visualization.draw_geometries([new_cloud], window_name="统计滤波",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
#o3d.io.write_point_cloud("second_radius_cloud.pcd",radius_cloud)

在这里插入图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/statistical_outlier_removal.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>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(50);   // 考虑的邻近点的数量
    sor.setStddevMulThresh(100);  // 距离平均值1个标准差范围之外的点将被删除
    sor.filter(*cloud_filtered);

    std::cout << "Filtered cloud size: " << cloud_filtered->width * cloud_filtered->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    viewer->saveScreenshot("screenshot.png");
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

在这里插入图片描述

2.4 双边滤波

双边滤波由空域和值域组成，降噪用高斯滤波，边缘用高斯方差。通过临近采样点加权平均，剔除差异大的点，同时保留边缘信息从而使数据更加平滑。

Open3d

import open3d as o3d
import numpy as np


# ----------------------------------加载点云------------------------------------
pcd = o3d.io.read_point_cloud("second/1697165371469.pcd")
o3d.visualization.draw_geometries([pcd])


sigma_s = 50  # 距离权重
sigma_r = 10    # 法向权重
searchNum = 30  # 近邻点数
# 计算法向量
pcd.estimate_normals(o3d.geometry.KDTreeSearchParamKNN(searchNum))
# 构建KD-tree
kdtree = o3d.geometry.KDTreeFlann(pcd)
BFilter = o3d.geometry.PointCloud(pcd)
# 双边滤波
for i in range(len(pcd.points)):
    [k, idx, _] = kdtree.search_knn_vector_3d(pcd.points[i], searchNum)
    curNormal = pcd.normals[i]
    searchPoint = pcd.points[i]

    BF = 0.0
    W = 0.0
    for j in idx[1:]:
        near_point = pcd.points[j]
        vec = near_point - pcd.points[i]
        dd = np.sqrt(np.sum(np.square(vec)))
        dn = np.dot(vec, curNormal)
        weight = np.exp(-dd * dd / (2 * sigma_s * sigma_s)) * np.exp(-dn * dn / (2 * sigma_r * sigma_r))
        BF = BF + weight * dn
        W = W + weight

    lamda = BF / W
    BFilter.points[i] = searchPoint + lamda * curNormal
# ---------------------------------结果可视化----------------------------------
o3d.visualization.draw_geometries([BFilter], window_name="基于法线的双边滤波",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=False)

在这里插入图片描述

双边滤波需要强度信息(XYZI)，我们的点云没有强度信息；快速双边滤波需要有序数据才能实现。
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/bilateral.h>
#include <pcl/filters/fast_bilateral.h>
#include <pcl/filters/fast_bilateral_omp.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>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
     // 创建滤波器对象
    pcl::FastBilateralFilter<pcl::PointXYZ> fbf;
    //双边滤波器
    fbf.setInputCloud(cloud);  //设置输入点云
    //fbf.setSearchMethod(tree1);
    fbf.setSigmaS(100);      //高斯滤波器的一半窗口值
    fbf.setSigmaR(10);           //标准差
    fbf.applyFilter(*cloud_filtered);
    std::cout << "Filtered cloud size: " << cloud_filtered->width * cloud_filtered->height << std::endl;
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }
    return 0;
}
略知12
关注
  • 2
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
点云滤波
走过路过不要错过
11-21 349
1. PassThroughFilter(直通滤波器)：对某一通道进行范围的限制，超出范围则滤除，C++还有setFilterLimitsNegative函数选择是保留范围内还是范围外。 2.extract_indices(体素网格滤波器)：设置网格的长宽高，1cm网格下采样0.02秒，2mm网格下采样0.04秒，不能进行噪点滤波。 3.remove_outliers(移除离群点)：半...
点云滤波02
weixin_42784393的博客
03-19 54
（1）使用statisticalOutlierRemoval滤波器移除离群点 使用统计分析技术，从一个点云数据中集中移除测量噪声点（也就是离群点）比如：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，使效果不好，估计局部点云特征（例如采样点处法向量或曲率变化率）的运算复杂，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：每个点的邻域进行一个统...
点云的滤波
热门推荐
qq_60143666的博客
01-04 1万+
从零开始一起学习SLAM | 给点云加个滤网 点云下采样和去离群点 PCL—低层次视觉—点云滤波（基于点云频率） - IronStark - 博客园 基于点云频率的点云滤波 常见点云滤波算法 - 简书 常见滤波算法 点云滤波作为常见的点云处理算法，一般是点云处理的第一步，对后续处理有很重要作用。滤波有很多方面也有很多种功能，比如去除噪声点、离群点、点云平滑以及空洞、数据压缩等。 为什么要对点云滤波？ 一般下面这几种情况需要进行点云滤波处理： （1）点云数据密度不规则需要平滑 （2）因为..
3D视觉学习计划之点云的滤波
小俊俊的博客
05-11 2798
点云滤波是一种用于去除点云数据中噪声和异常值的技术。点云数据通常由激光雷达或摄像头等设备采集，由于设备本身的误差或环境因素的影响，采集到的数据中可能会包含一些噪声和异常值。这些噪声和异常值会影响后续的点云处理和分析，因此需要进行滤波处理。点云滤波的主要方法包括：体素滤波器（Voxel Grid Filter）、半径滤波器（Radius Outlier Removal）、统计滤波器（Statistical Outlier Removal）、直通滤波器和双边滤波等方法，接下来对各种点云滤波方法进行操作。
常用的点云预处理算法
Argulo的博客
07-16 602
点云预处理是处理点云数据时的重要部分，其目的是提高点云数据的质量和处理效率。通过去除离群点、减少点云密度和增强特征，可以消除噪声、减少计算量、提高算法的准确性和鲁棒性，从而为后续的点云处理和分析步骤（如配准、分割和重建）提供更高质量的数据基础。以下是常用的点云预处理算法介绍，内容包括离群点过滤、点云下采样、坐标上采样和特征上采样的数学原理以及Open3D实现代码。
2.常见的点云数据滤波的方法总结（C++）
weixin_71719718的博客
01-18 1781
常见的点云数据处理有体素网格滤波、半径滤波、直通滤波、双边滤波器，统计滤波器，卷积滤波，条件滤波，高斯滤波等等。
三维点云处理-滤波器
weixin_49401384的博客
04-20 1456
点云中往往会存在很多噪声，也就是常说的离群点，如下左图中的黑色圈位置，可能会对有效数据的提取分析造成影响，因此在数据分析前通常会考虑采用滤波器（Filter）等手段进行一些预处理的操作。过滤后的点云如下右图所示，这样的点云有助于对其进行更好的数据分析，如平面估计、分类、分割提取等。
点云滤波文件
03-09
点云数据的滤波文件，亲测有效。。。。。。。。。。。
点云滤波Filtering
Scarlett的博客
07-04 842
点云滤波方法简介
点云滤波处理
m0_53164478的博客
08-18 1969
pcl库学习记录，方便自己后续回顾复习。
点云滤波（1）
qq_35718950的博客
02-20 1702
噪声点与离群点。在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点，属于随机误差。除此之外，由于受到外界干扰如视线遮挡，障碍物等因素的影响，点云数据中往往存在着一些距离主题点云较远的离散点，即离群点。 **点云处理中滤波目的。**滤波处理作为点云处理的第一步，对后续处理有很重要...
matlab读取txt格式转换为矩阵.zip_matlab点云滤波_点云半径滤波_点云统计滤波_直通滤波 matlab_统计滤波
07-14
本文将详细讲解五种点云滤波方法，并以MATLAB为例，介绍如何实现这些滤波器，以及如何从TXT格式的数据转换为矩阵进行处理。 1. **直通滤波器（Pass-Through Filter）**： 直通滤波器主要用于剔除点云中的异常值或...
【含操作视频】基于matlab的三维点云数据的滤波处理,得到干净的目标点云数据
06-22
输出三维点云滤波前后的目标点云图像。 3.用处：用于三维点云数据的滤波算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接...
在MATLAB中对三维点云数据进行中值滤波
04-25
在MATLAB中对三维点云数据进行中值滤波是一个重要的图像处理步骤，常用于去除噪声，特别是针对具有高斯噪声或椒盐噪声的点云数据。中值滤波是一种非线性的滤波方法，它在处理噪声时具有独特的优势，能够保留边缘信息...
TerraSolid点云滤波分类简易操作流程
12-17
点云滤波分类是LiDAR数据处理的关键步骤，它涉及到数据清理、特征提取和对象识别。TerraSolid是一款强大的点云处理软件，基于Microstation平台，提供了TerraMatch、TerraScan、TerraModeler等多个专业模块，适用于...
Open3D常用点云滤波
skycol的博客
10-20 3391
在点云处理中，过密的点云需要下采样，离群点和噪声点需要去除，通过滤波的方法，可以抽稀点云，把离群点去除，以便进行下一步处理open3d中，很多滤波器已经被封装成了对应的方法（源码是C++）
ant-design-vue-1.1.10-beta.zip
最新发布
08-26
基于 Ant Design 和 Vue 的企业级 UI 组件库
为什么要进行点云滤波处理
06-13
点云滤波处理是指对采集的点云数据进行降噪处理，以提高点云数据的质量和准确性。点云数据通常在采集过程中会受到各种干扰和噪声，例如传感器噪声、环境光线、遮挡等，导致点云数据包含大量的无效或冗余信息，影响点云数据的使用和分析。因此，进行点云滤波处理可以减少这些无效或冗余信息，提高点云数据的质量和准确性，使其更适合进行后续的点云处理和应用。 点云滤波处理可以通过不同的方法实现，例如基于统计学的滤波、基于形态学的滤波、基于网格的滤波等。具体的选择应该根据点云数据的特点和应用需求进行选择。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值