PCL库中关于各种滤波的一些学习

滤波学习记录

点云需要处理的主要情况包括:

下采样，数据量过大，不易于处理
离群点，通常由遮挡引起
点云数据的密度不均匀
噪声数据

本文基于kitti数据集（只使用了XYZ数据），尝试了pcl常用的一些滤波方法，记录了一下关键代码和演示效果

直通滤波器（passthrough）

直通滤波器非常直观，就是从坐标范围上筛选点云

直通滤波器对象的创建

// 设置滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;
// 设置输入点云
pass.setInputCloud(cloud);
// 设置过滤的字段，x方向
pass.setFilterFieldName("x");
// 设置滤波范围
pass.setFilterLimits(0.0, 9.0);
// 设置保留过滤/滤出数据
pass.setFilterLimitsNegative(true);
// 执行滤波，写入输出
pass.filter(*cloud_filtered);

效果还是很明显滴

使用VoxelGrid滤波器对点云进行下采样

Voxelgrid就是体素滤波器，非常常用，因为采样速度较快，精度较高
PCL实现的Voxelgrid类通过输入的点云数据创建一个三维体素栅格（可把体素栅格想象为微小的空间三维立方体的集合），然后在每个体素（即三维立方体）内用体素中所有点的重心来近似显示体素中的其他点，这样该体素内所有点就用一个重心点来表示，得到过滤后的点云。
咳咳，简而言之，就是把点云划分成n多个三维立体小方格（可自定义尺寸），每个小方格里的点取一个重心保留（重心就是方格内所有坐标求均值），这样就进行了下采样操作

话不多说，来看代码

// 创建滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> sor;
// 输入点云
sor.setInputCloud(cloud);
// 设置三维栅格的大小
sor.setLeafSize(0.3, 0.3, 0.3);
// 滤波，写入
sor.filter(*cloud_filtered);

非常的通俗易懂，感谢pcl库哈
来看下效果

统计滤波器移除离群点（StatisticalOutlierRemoval）

这个名字真是非常的长了
由于激光扫描的原因，点云数据里密度不太均匀，并且，由于测量的误差，会产生稀疏的离群点，使效果更糟。
统计滤波器的方法大致如下：对每个点的邻域进行一个统计分析，可以得到该点到它所有临近点的平均距离。假设得到最后所有点的数据是高斯分布，其形状由均值和标准差决定，平均距离在标准范围（以均值和标准差定义）之外的，视为离群点

代码如下

// 创建滤波器
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;