Open3D 常见点云处理方法

点云噪声特性：不真实的点、孤立点、不规则
常见去噪算法：

1. 统计滤波 Statistical Outlier Removal（SOR）
   例如：当判断点的k近邻平均距离大于【平均距离+μ*σ】，即判定为噪声点，如图所示：

import open3d as o3d
# 加载点云
pcd = o3d.io.read_point_cloud("desk.pcd")
# 统计滤波
k = 20  # K邻域点的个数
μ = 2.0  # 标准差乘数
sor_pcd, idx = pcd.remove_statistical_outlier(k, μ)#当判断点的k近邻的平均距离大于【平均距离+μ*σ】，即判定为噪声点，一般取μ=2或3为极限误差
sor_pcd.paint_uniform_color([0, 0, 1])
# 提取噪声点云
sor_noise_pcd = pcd.select_by_index(idx, invert=True)
sor_noise_pcd.paint_uniform_color([1, 0, 0])
o3d.visualization.draw_geometries([sor_pcd,sor_noise_pcd], window_name="SOR")

k：指k个最近点，我们需要计算该点距离k个最近点的平均距离
μ：标准差的倍数
sor_pcd：去噪后的点云
idx：去噪保留的点索引

2. 半径滤波 Radius Outier Removal：在给定阈值参数MinPts后，遍历点云所有点，对于点云中任意一点，设其半径R内有K个点，当K< MinPts时，即可识别该点为噪声点，并该点去除。
3. 

4.	import open3d as o3d
5.	
6.	# 加载点云
7.	pcd = o3d.io.read_point_cloud("desk.pcd")
8.	# 半径滤波
9.	MinPts = 5  # 邻域球内的最少点个数，小于该个数为噪声点
10.	R = 0.05    # 邻域半径大小
11.	pc, idx = pcd.remove_radius_outlier(MinPts, R)
12.	
13.	pc.paint_uniform_color([0, 0, 1])
14.	ror_noise_pcd = pcd.select_by_index(idx,invert = True)
15.	ror_noise_pcd.paint_uniform_color([1, 0, 0])
16.	o3d.visualization.draw_geometries([pc, ror_noise_pcd], window_name="半径滤波")

MinPts：邻域球内的最少点个数，小于该个数为噪声点
R:邻域半径大小
Pc:去噪后的点云
Idx：去噪保留的点索引

3.引导滤波 Guilter Filter：主要作用是消除或减少噪声，同时保留对目标有用的关键信息。引导滤波器通常会利用一部分已经分类或者标记的点云数据（通常被称为“引导点”或“引导数据”）来指导滤波过程，通过优化这些引导点的分布来达到滤波的效果。这种方法可以有效地减少滤波过程中的噪声，同时保留对目标有用的关键信息。
具体来说，引导滤波器可以用于以下情况：
17. 减少噪声：引导滤波器通过利用一部分已知的、可靠的点云数据来指导滤波过程，可以有效地减少噪声的影响，提高点云的精度和准确性。
18. 简化数据结构：引导滤波器可以自动地选择并删除不重要的点，从而简化点云数据结构，降低数据处理和分析的难度。
19. 提高特征提取的准确性：引导滤波器可以通过去除无关或冗余的点，提高后续特征提取的准确性，从而更好地进行3D物体识别、检测和建模等任务。

采样方法：
1.随机采样（Random Sample）
pcd = pcd.random_down_sample(0.5)
0.2是采样比例，即保留50%的点

2.均匀采样（Uniform Sample）

pcd = pcd.uniform_down_sample(50)#每隔50个点采样一次

3.体素采样（Uniform Sample）
空间八叉树的叶子结点里，选择一个点代表叶子里的所有点
pcd = pcd.voxel_down_sample(voxel_size=0.01)

4.基于曲率的采样
首先计算每一点的曲率值，根据点云的曲率的值 从大到小按照一定的比例保留采样点。这种采样 方法保留的点具有明显的特征，主要集中在点云 场景的边缘、拐点等位置.

5.最远点采样
首先随机选择一个点，其次，在剩下点中寻找最远的点，再去再剩下点中找到同时离这两个点最远的点…… 以此类推，直到满足采样点个数。

6.法向降采样
在局部区域内，根据法线的方向，采样保留点法线方向较为分散的点，这样可以有效的保留点 云的特征细节。

自己理解：为什么要采样？
在保留尽可能多特征的同时，压缩点云数据量。