适用对象
统计滤波器主要用于滤除点云中的离群点(离群点往往由测量噪声引入)。
激光扫描通常生成具有不同点密度的点云数据集。此外,测量误差会导致稀疏异常值,从而进一步破坏点云的表达准确性。使得局部点云特征(例如表面法线或曲率变化)的估计变得非常复杂,这往往导致错误的估计结果,进而导致点云的高层应用表现不佳。
工作原理
明显离群点的特征是在空间中分布稀疏,可以理解为:每个点都表达一定信息量,某个区域点越密集则可能信息量越大。噪声信息属于无用信息,信息量较小。所以离群点表达的信息可以忽略不计。考虑到离群点的特征,则可以定义某处点云小于某个密度,既点云无效。计算每个点到其最近的k个点平均距离,(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),那么平均距离在标准范围之外的点,可以被定义为离群点并从数据中去除。给定均值与方差,可剔除方差在3σ之外的点。
PCL核心代码实现
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; //创建统计滤波器对象
sor.setInputCloud(pointCloud_raw); //设置输入的点云
sor.setMeanK(50); //设置KNN的k值
sor.setStddevMulThresh(1.0); //设置标准偏差乘数为1.0
sor.filter(*pointCloud_filter); //执行滤波
//说明:设置标准偏差乘数为1.0,意味着1个标准差以上就是离群点
//即那些距离大于(平均距离+或者-一个标准偏差)的点将被标记为离群值并被删除。
//根据高斯分布的数学表达,均值的一个标准差之内的分布可以达到总体的95%。
//注意:这里的平均距离和标准差、方差都可以由输入的点云数据集计算出来。
完整代码:
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
int main (int argc, char** argv)
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
// Fill in the cloud data
pcl::PCDReader reader;
// Replace the path below with the path where you saved your file
reader.read<pcl::PointXYZ> ("table_scene_lms400.pcd", *cloud);
std::cerr << "Cloud before filtering: " << std::endl;
std::cerr << *cloud << std::endl;
// Create the filtering object
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud (cloud);
sor.setMeanK (50);
sor.setStddevMulThresh (1.0);
sor.filter (*cloud_filtered);
std::cerr << "Cloud after filtering: " << std::endl;
std::cerr << *cloud_filtered << std::endl;
pcl::PCDWriter writer;
writer.write<pcl::PointXYZ> ("table_scene_lms400_inliers.pcd", *cloud_filtered, false);
sor.setNegative (true);
sor.filter (*cloud_filtered);
writer.write<pcl::PointXYZ> ("table_scene_lms400_outliers.pcd", *cloud_filtered, false);
return (0);
}
测试的时候,需要先下载table_scene_lms400.pcd