PCL的点云滤波

    点云数据中会存在噪声点，离群点这些我们在后续操作中不需要的点，所以需要滤波删除这些点。这个过程也可以称为点云预处理。同时预处理还包括孔洞修复，数据压缩等，这里我们暂时只讨论噪声点和离群点，其他后续如有需要再学习。通过预处理后，才能更好的进行配准、特征提取、曲面重建、可视化等后续应用处理。pcl/filters模块提供了一些滤波处理算法，接下来对其中的一部分进行介绍。

使用直通滤波器对点云进行滤波处理

    直通滤波器通常是对指定的某一维度进行滤波，也就是去掉用户指定范围内部或者外部的点 ，例如高程筛选。下面是一个高程筛选的例子，将点云Z方向的范围设置为（0.0，1.0），并保留内部点，删除外部点。
官方tutorials: http://pointclouds.org/documentation/tutorials/passthrough.php#passthrough

#include <iostream>
#include <ctime>
#include <pcl/point_types.h>            //点云格式
#include <pcl/filters/passthrough.h>    //PCL滤波算法中的passthrough

int            //PCL函数定义编码规范，返回值类型单独放一行，函数名及参数列表放一行。
main (int argc, char** argv)
{ 
    srand(time(0));
    //pcl是命名空间，PointCloud是类模板，<pcl::PointXYZ>是模板实例化的类型，Ptr是智能指针
    //cloud是指针变量 指向PointCloud<pcl::PointXYZ>类对象的指针
    //简单来说，就是创建了一份名cloud的存储XYZ类型点云数据的指针。
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
  
    //填入点云数据
    cloud->width  = 5;                   //设置点云宽度/数量
    cloud->height = 1;                   //设置点云高度/无序点云
    cloud->points.resize (cloud->width * cloud->height);      //点云总数

    //size_t 其实就是unsinged int
    for (size_t i = 0; i < cloud->points.size (); ++i)      //为点云填充数据，这里为随机数
    {
        cloud->points[i].x = rand () / (RAND_MAX + 1.0f)-0.5;
        cloud->points[i].y = rand () / (RAND_MAX + 1.0f)-0.5;
        cloud->points[i].z = rand () / (RAND_MAX + 1.0f)-0.5;
    }

    //std::err 标准出错输出对象，默认信息输出到屏幕。
    //打印所有点到标准错误输出
    std::cerr << "Cloud before filtering: " << std::endl;
    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。即是按高程信息筛选。
*************************************************************************/
      // 创建滤波器对象
      pcl::PassThrough<pcl::PointXYZ> pass;    //设置滤波器对象
      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);         //设置在过滤的z字段上的范围
      //pass.setFilterLimitsNegative (true);   //设置保留范围内的还是范围外
      pass.filter (*cloud_filtered);           //执行滤波，把滤波结果保存在cloud_filtered

      std::cerr << "Cloud after filtering: " << std::endl;
      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);
}

结果为：

    可以看到在滤波之前共有5个点云，其中z方向为负的有3个，经过滤波之后所有z方向为负的均被删除，只留下两个点云。

PS：由于本人在接触PCL以及点云知识之前对计算机知识完全属于零基础，连C++都是从头开始学，对于C++代码在ubuntu下的编译和运行并没有充分理解，导致在编译以上代码时走了很多弯路。下面给出我自己用的方法，不知是否正确，还希望读到这的朋友能够不吝指教，感谢！

首先在代码文件和CMakeLists.txt的文件夹中打开终端

mkdir src
mkdir build
cd build
cmake ..
make

在build文件中会生成个xxxx.out文件

./xxxx.out

便可运行该文件，得到上述图中结果。

使用VoxelGrid滤波器对点云进行下采样

    VoxelGrid滤波也叫体素化网格法，是PCL中VoxelGrid类通过输入的点云数据创建一个三维体素栅格（简单点来说就是特别小的空间三维立方体的集合），然后在每个体素（三维立方体）内，用体素中所有点云点的重心（不是中心)近似的表示该体素内的所有点，对于所有体素处理后得到过滤后的点云。这种方法比用体素中心来逼近的方法更慢，但是对于采样点对应曲面的表示更为准确。
官方tutorials: http://pointclouds.org/documentation/tutorials/voxel_grid.php#voxelgrid

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
int
main (int argc, char** argv)
{
      pcl::PCLPointCloud2::Ptr cloud (new pcl::PCLPointCloud2 ());
      pcl::PCLPointCloud2::Ptr cloud_filtered (new pcl::PCLPointCloud2 ());
      // 读取点云数据
      pcl::PCDReader reader;
      // 把路径改为自己存放文件的路径
      reader.read ("table_scene_lms400.pcd", *cloud);    //读取点云到cloud中
      std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height 
                << " data points (" << pcl::getFieldsList (*cloud) << ").";
    
      // pcl::getFieldsList (*cloud)得到cloud的field信息(x y z intensity distance sid)
  
      // 创建滤波器对象
      pcl::VoxelGrid<pcl::PCLPointCloud2> sor;      // 创建滤波对象
      sor.setInputCloud (cloud);                    //给滤波对象设置需要过滤的点云
      sor.setLeafSize (0.01f, 0.01f, 0.01f);        //设置滤波时创建的体素大小1cm立方体
      sor.filter (*cloud_filtered);                 //执行滤波处理，存储输出cloud_filtered
      std::cerr << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height 
                << " data points (" << pcl::getFieldsList (*cloud_filtered) << ").";
      
      //最后将数据写入磁盘以做他用，例如可视化等
      pcl::PCDWriter writer;
      writer.write ("table_scene_lms400_downsampled.pcd",