对每一个点的邻域进行统计分析,并修剪掉不符合一定标准的点。我们的系数利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。对每个点,我们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,其形状由均值和标准差决定,平均距离在阈值之外的点可以被认为是利群点并可以从数据集中去除掉。
这里面的阈值:
距离阈值将等于:mean + stddev_mult * stddev
邻域的局部平均值 + 系数 * 邻域的局部标准差
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/io/io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h> // //PCL可视化的头文件
boost::shared_ptr<pcl::visualization::PCLVisualizer> Show2ViewerWindow(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud01, pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud02)
{
boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
viewer->initCameraParameters();
//创建视窗的标准代码
//第一个窗口显示内容进行设定
int v1(0);
viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
viewer->setBackgroundColor(0, 0, 0, v1);
viewer->addText("viewer_01", 10, 10, "v1 text", v1);
pcl::visualization::PointCloudColorHandlerCustom < pcl::PointXYZ> rgb(cloud01, 255, 0, 0);
//pcl::visualization::PointCloudColorHandlerRGBField < pcl::PointXYZRGB> rgb(pointCloudPtr);
viewer->addPointCloud<pcl::PointXYZ>(cloud01, rgb, "sample cloud1", v1);
//第二个显示内容进行设定
int v2(1);
viewer->createViewPort(0.5, 0.0, 1.0, 1.0, v2);
viewer->setBackgroundColor(0.3, 0.3, 0.3, v2);
viewer->addText("viewer_02", 10, 10, "v2 text", v2);
pcl::visualization::PointCloudColorHandlerCustom < pcl::PointXYZ> single_color(cloud02, 0, 255, 0);
viewer->addPointCloud<pcl::PointXYZ>(cloud02, single_color, "sample cloud2", v2);
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud1");
viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud2");
viewer->addCoordinateSystem(1.0);
return viewer;
}
int main(int argc,char **argv)
{
//建立两个点云对象
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
//添加点云
pcl::io::loadPCDFile("ism_train_horse.pcd", *cloud);
std::cout << "cloud before filtering:" << std::endl;
std::cout << *cloud << std::endl;
//创建滤波器对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> filter_this01;
filter_this01.setInputCloud(cloud);
filter_this01.setMeanK(20);
filter_this01.setStddevMulThresh(3);
filter_this01.filter(*cloud_filtered);
boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer;
viewer = Show2ViewerWindow(cloud, cloud_filtered);
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
boost::this_thread::sleep(boost::posix_time::microseconds(100000));
}
return (0);
}