PCL 点云统计滤波

于 2024-10-04 00:00:00 发布
阅读量437 收藏 3
点赞数 14
分类专栏： PCL点云算法与实战案例 文章标签： 算法 3d 计算机视觉 c++
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_47947920/article/details/142629038
版权

目录

一、概述

1.1原理

1.2实现步骤

1.3应用场景

二、代码实现

2.1关键函数

2.1.1 统计滤波实现

2.1.2 可视化函数

2.2完整代码

三、实现效果

PCL点云算法汇总及实战案例汇总的目录地址链接：

PCL点云算法与项目实战案例汇总（长期更新）

一、概述

        统计滤波（Statistical Outlier Removal, SOR） 是一种常用的点云去噪方法。统计滤波通过分析点云中每个点的邻域信息，计算其与邻域内其他点的距离平均值，并将与邻居点的距离过大的点（离群点）去除。这种方法在保留点云主要结构的同时，可以有效地去除孤立点或噪声点。

1.1原理

        统计滤波的基本思想是：对于每个点，计算它的邻域中其他点的平均距离，判断这个点与其邻域中其他点的距离是否显著偏离。如果距离偏离较大，则认为该点是噪声点或离群点，将其剔除。

过滤步骤：

  1. 计算每个点的邻居点的距离平均值。
  2. 将这些平均值与预定的标准偏差范围进行比较。
  3. 如果某点的平均距离超出设定的阈值范围，则认为该点为离群点，剔除该点。

1.2实现步骤

  1. 读取点云数据。
  2. 设置统计滤波器的参数，包括邻居数量和标准偏差阈值。
  3. 应用统计滤波，生成过滤后的点云。
  4. 可视化原始点云和过滤后的点云。

1.3应用场景

  1. 去除噪声点：有效地去除由于传感器噪声或外界干扰导致的孤立点或异常点。
  2. 预处理：为点云的后续处理（如重建或配准）提供干净的输入点云数据。
  3. 数据清理：在稠密点云中消除孤立的稀疏点。

二、代码实现

2.1关键函数

2.1.1 统计滤波实现

通过设置邻域搜索的邻居数量和标准偏差阈值，应用统计滤波。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>

// 统计滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr statisticalOutlierRemoval(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    int mean_k,                                 // 邻居数量
    double std_dev_mul_thresh                   // 标准偏差阈值
)
{
    // 创建统计滤波对象，并设置参数
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);                   // 设置输入点云
    sor.setMeanK(mean_k);                       // 设置每个点的邻域中邻居点的数量
    sor.setStddevMulThresh(std_dev_mul_thresh); // 设置标准偏差乘数阈值
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*filtered_cloud);  // 应用滤波

    return filtered_cloud;  // 返回过滤后的点云
}

2.1.2 可视化函数

使用 PCL 可视化库展示原始点云和统计滤波后的点云。

#include <pcl/visualization/pcl_visualizer.h>

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Statistical Outlier Removal Viewer"));

    // 创建视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);          // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);           // 设置白色背景
    viewer->addText("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 创建视口2，显示过滤后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);          // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);        // 设置浅灰色背景
    viewer->addText("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

2.2完整代码

// C++头文件
#include <iostream>
// PCL头文件
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>  // 统计滤波
#include <pcl/visualization/pcl_visualizer.h>

// 统计滤波函数
pcl::PointCloud<pcl::PointXYZ>::Ptr statisticalOutlierRemoval(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,  // 输入点云
    int mean_k,                                 // 邻居数量
    double std_dev_mul_thresh                   // 标准偏差阈值
)
{
    // 创建统计滤波对象，并设置参数
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);                   // 设置输入点云
    sor.setMeanK(mean_k);                       // 设置每个点的邻域中邻居点的数量
    sor.setStddevMulThresh(std_dev_mul_thresh); // 设置标准偏差乘数阈值
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*filtered_cloud);  // 应用滤波

    return filtered_cloud;  // 返回过滤后的点云
}

// 可视化原始点云和过滤后的点云
void visualizePointClouds(
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud,          // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud  // 过滤后的点云
)
{
    // 创建可视化器
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("Statistical Outlier Removal Viewer"));

    // 创建视口1，显示原始点云
    int vp_1;
    viewer->createViewPort(0.0, 0.0, 0.5, 1.0, vp_1);          // 创建左侧窗口
    viewer->setBackgroundColor(1.0, 1.0, 1.0, vp_1);           // 设置白色背景
    viewer->addText("Raw Point Clouds", 10, 10, "v1_text", vp_1);  // 添加标题

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 0, 0);  // 红色
    viewer->addPointCloud<pcl::PointXYZ>(cloud, cloud_color_handler, "original_cloud", vp_1);  // 添加原始点云

    // 创建视口2，显示过滤后的点云
    int vp_2;
    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, vp_2);          // 创建右侧窗口
    viewer->setBackgroundColor(0.98, 0.98, 0.98, vp_2);        // 设置浅灰色背景
    viewer->addText("Filtered Point Clouds", 10, 10, "v2_text", vp_2);  // 添加标题

    // 设置过滤后的点云的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> filtered_cloud_color_handler(filtered_cloud, 0, 255, 0);  // 绿色
    viewer->addPointCloud<pcl::PointXYZ>(filtered_cloud, filtered_cloud_color_handler, "filtered_cloud", vp_2);  // 添加过滤后的点云

    // 设置点的大小（可选）
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud", vp_1);
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "filtered_cloud", vp_2);

    // 启动可视化循环
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);  // 刷新可视化器
    }
}

int main(int argc, char** argv)
{
    // ------------------------------读取点云数据---------------------------------
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile("ro_bunny.pcd", *cloud) < 0)
    {
        PCL_ERROR("Could not read file\n");
        return (-1);  // 返回错误
    }

    // -------------------------------统计滤波---------------------------------
    int mean_k = 50;               // 设置邻居数量
    double std_dev_mul_thresh =1.0;  // 设置标准偏差乘数阈值
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud = statisticalOutlierRemoval(cloud, mean_k, std_dev_mul_thresh);  // 应用统计滤波

    // ------------------------------可视化原始点云和过滤后的点云---------------------------------
    visualizePointClouds(cloud, filtered_cloud);  // 调用可视化函数

    return 0;
}

三、实现效果

莫将晚霞落黄昏
关注
专栏目录
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月29日。
CloudCompare&PCL 点云双边滤波（论文复现）
dayuhaitang1的博客
05-13 1380
文章目录
PCL点云统计滤波
黄昏的晨曦
11-10 2925
对每个点的邻域进行一个统计分析，并修剪掉一些不符合一定标准的点，稀疏离群点移除方法基于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，计算它到它的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，平均距离在标准范围之外的点，可以被定义为离群点并可从数据中去除。 #include &lt;iostream&gt; #include &lt;pcl/io/pcd...
PCL点云——滤波算法
qq_35997213的博客
08-14 1019
点云滤波、降采样基础算法
PCL——点云滤波
emm@amiao的博客
09-02 1255
1、使用直通滤波器对点云进行滤波处理 对指定的某一维度实行一个简单的滤波，即去掉在用户指定范围内部（或外部）的点 代码实现： #include <iostream> #include <pcl/point_types.h> #include <pcl/filters/passthrough.h> int main (int argc, char** argv...
PCL点云数据 滤波降噪
jacke121的专栏
08-28 3123
图像处理】PCL点云数据的滤波降噪的方法 这个带公式： https://blog.csdn.net/qq_30815237/article/details/86294496 为什么进行点云滤波处理： （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； 点云数据去噪滤波方法： 双边滤波、高斯滤波、分箱去噪、KD-Tree、直通滤波、随机采样一致性滤波等； 方法定义以及适用性： 1.双边滤波：将距离和空间结构结合
PCL点云滤波算法
weixin_43850909的博客
10-22 232
在点的属性上设置范围，对点进行滤波，保留该属性上范围内或范围外的点（1）指定一个维度以及该维度下的值域（2）遍历点云中每一个点，判断该点在指定维度下的值是否存在值域内，不存在则删除（3）遍历结束，剩下没被删除的点就是滤波后的点使用场景：在知道噪声点某一维度上的值时，可以进行去噪。
PCL入门系列 —— StatisticalOutlierRemoval 点云统计滤波
工业机器视觉
06-13 1021
基于当前点与邻域点数据的距离统计信息进行离群点判定并进行剔除，当噪声数据的空间点密度与有效区域的点密度差距较为明显时会有不错的滤波效果；
PCL：点云滤波汇总：算法原理 + 代码实现
热门推荐
孙悟空
03-08 1万+
PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如：直通滤波、统计滤波、双边滤波、基于随机采样一致性滤波等。下面对PCL各种滤波方法做一些归纳总结，方便日后使用。
PCL点云统计滤波的C++实现
03-20
点云统计滤波是一种基于统计学原理的点云数据滤波方法，可以有效地去除点云数据中的离群点和噪声。其基本思想是对点云中每一个点的邻域内的数据进行统计分析，然后根据一定的规则判断该点是否为离群点，从而实现点云...
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
在点云处理领域，滤波是一种常见的数据预处理技术，用于去除噪声，平滑数据，以及提取关键特征。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...
二叉树最小深度
2301_80161204的博客
09-27 475
25[0, 105]
使用Python实现图形学的纹理映射算法
qq_42568323的博客
09-27 1286
纹理映射的基本概念是将二维图像（纹理）应用于三维模型的表面，以便在渲染时提供更多的细节和视觉效果。纹理坐标生成：为每个顶点生成对应的纹理坐标，通常使用归一化的二维坐标系统。纹理采样：根据生成的纹理坐标从纹理图像中获取颜色值。光照计算：结合光照模型，计算最终颜色，产生更真实的效果。图像合成：将计算得到的颜色与其他渲染信息合成，生成最终图像。纹理映射不仅可以用于简单的颜色填充，还可以模拟表面细节、光照变化等，提升渲染效果。
数据结构—排序
最新发布
2302_81258662的博客
10-03 430
在数据结构中，排序是一种将数据元素重新排列的过程，通常是为了使它们按照特定的顺序（如升序或降序）组织起来。排序在计算机科学中非常重要，下面是一些常见的数据结构排序方法和它们的特点。
904. 水果成篮
YQ20210216的博客
09-27 370
转化，找出一个最长的子数组长度，子数组中不超过两种类型的水果，要记录水果类型和水果数量，所以要使用unord_map，key来记录水果中类，valuse记录水果数量，当right开始增加的时候，将水果种类加入到哈希表中，当水果中类超过两种时，控制left使得水果种类回到两种。你想要尽可能多地收集水果。你正在探访一家农场，农场从左到右种植了一排果树。这些树用一个整数数组。，返回你可以收集的水果的。
＜使用生成式AI对四种冒泡排序实现形式分析解释的探讨整理＞
m0_57859086的博客
10-01 1101
/冒泡排序实现1——不常用（这个版本两层for循环分别是i++、j++）// 声明三个整型变量i、j和temp用于循环控制和交换元素for (i = 0;i < n - 1;i++) { // 外层循环，从数组的第一个元素开始遍历到倒数第二个元素j < n;j++) { // 内层循环，从当前外层循环位置的下一个元素开始遍历到最后一个元素if (A[i] > A[j]) { // 如果当前元素大于下一个元素// 将当前元素存储到临时变量temp中// 将下一个元素赋值给当前元素。
DAY17||654.最大二叉树 |617.合并二叉树 |700.二叉搜索树中的搜索 |
2301_79865280的博客
09-29 1292
给定一个不含重复元素的整数数组。通过给定的数组构建最大二叉树，并且输出这个树的根节点。示例 ：构造二叉树一定要，因为要先找到中，才能分割左右子树。本题图解思路：本题做过上一题构建数组确实变得容易很多。代码优化方向有，不用每次找左右子树的时候构建新的数组的话效率就会高很多。（即直接用下标索引直接在原数组上操作）关于加不加if的问题，如果允许空节点进入递归，就不加。
算法：按既定顺序创建目标数组
AWSDN的博客
09-29 225
本文主要介绍按既定顺序创建目标数组问题
c++激光点云统计滤波源码
09-12
激光点云统计滤波是一种常用的点云滤波方法，适用于去除点云中的离群点和噪声。其主要思想是通过统计每个点的邻域内的点的属性，如距离、密度等属性进行滤波。 激光点云统计滤波的源码实现可以从以下几个方面进行描述： 1. 首先，需要定义一个合适的邻域大小，用于确定每个点周围的点的个数。可以选择邻域为固定大小的立方体或球体，也可以根据点云的密度自适应调整邻域大小。 2. 然后，对于每个点，需要计算其邻域内的点的属性，如平均距离、平均法向量等。可以通过计算欧氏距离来确定邻域内每个点与该点的距离，并求得平均距离。法向量的计算可以使用最小二乘法或PCA等方法。 3. 接下来，需要定义一个阈值，用于判断每个点是否为离群点。可以通过设置一个最大距离或最小密度阈值来判断，如果某个点的属性超过了阈值，则认为该点是离群点。 4. 最后，将满足条件的点筛选出来，形成一个新的经过滤波的点云。 对于具体的源码实现，可以使用一些点云处理库或软件实现，如PCL (Point Cloud Library)等。在PCL中，可以使用PointCloud类来表示点云数据，通过PointCloud类提供的成员函数和方法实现滤波操作。具体滤波方法可以使用PCL中提供的StatisticalOutlierRemoval类，通过设置需要的参数和阈值实现激光点云统计滤波。 总结起来，激光点云统计滤波源码的实现需要确定邻域大小、计算点的属性、设置阈值以及通过合适的库或软件实现相关操作。具体的实现可以参考相关的点云处理库或算法。
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