点云噪声特性:不真实的点、孤立点、不规则
常见去噪算法:
- 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
- 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。
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。