PCL高斯滤波（convolution_3d）

1.原理

通过高斯分布函数计算各点的高斯权重，然后按照每个点领域点的与其的距离和权重进行高斯处理，以平滑点云并实现去噪效果。

（1）生成一个卷积核，并设置相应参数。

（2）按照步长获取每个点云点的领域点，作为高斯滤波的窗口。

（3）

1）对每一个点云点，获取其窗口中的所有领域点，按照高斯权重进行高斯处理。

2）按照卷积核所设置的参数修改窗口中每个点云点xyz分量。

3）使得最终的结果点云中，每个点云窗口中的所有点云点都符合高斯分布规律。

（4）将处理后的点云组合成结果点云。

 要使用到的相关数学知识：

高斯分布

卷积核原理

2.使用场景

对点云进行平滑、去噪（用高斯滤波时，去噪功能在实际工作中使用较少，往往是用来平滑点云）。

3.注意事项

就算你不用高斯滤波，那么高斯分布和卷积核的概念也很重要，做算法之后一定会用到，一定要理解了。

4.关键函数

（1）卷积核pcl::filters::GaussianKernel<pcl::PointXYZRGB, pcl::PointXYZRGB>相关

1）设置卷积核的标准差；也就是高斯分布的西格玛参数。

setSigma()

2）设置卷积核的距离阈值；它用了一个公式：||pi - q|| > sigma_coefficient^2 * sigma^2，通过这个公式去判定距离是否在阈值内；理解该函数时类比成领域半径即可。

setThresholdRelativeToSigma()

3）设置卷积的距离阈值；即pi的值；

setThreshold()

（2）高斯滤波pcl::filters::Convolution3D<pcl::PointXYZRGB, pcl::PointXYZRGB, pcl::filters::GaussianKernel<pcl::PointXYZRGB, pcl::PointXYZRGB>> 相关

1）同时有多少个线程进行高斯处理

setNumberOfThreads()

2）每次进行高斯权重判断的窗口大小（即邻域半径）

setRadiusSearch()

5.代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/search/kdtree.h>
#include <boost/thread/thread.hpp>
#include <pcl/filters/convolution_3d.h>
#include <pcl/visualization/pcl_visualizer.h>

int main()
{
    /****************高斯滤波********************/
    // 原始点云
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
    pcl::io::loadPCDFile("D:/code/csdn/data/Sphere.pcd", *cloud);   // 加载原始点云数据
    // 结果点云
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);

    // 卷积核
    pcl::filters::GaussianKernel<pcl::PointXYZRGB, pcl::PointXYZRGB> kernel;                            // 卷积核（用于高斯滤波）
    kernel.setSigma(4);                                                                                 // 标准差
    kernel.setThresholdRelativeToSigma(4);                                                              // 关联作用域{可类比领域半径，通过公式计算}（用其自己的计算公式，公式为：||pi - q|| > sigma_coefficient^2 * sigma^2）
    kernel.setThreshold(0.05);                                                                          // 卷积半径
    pcl::search::KdTree<pcl::PointXYZRGB>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZRGB>);         // 进行领域搜索的kd树
    tree->setInputCloud(cloud);
    // 高斯滤波
    pcl::filters::Convolution3D<pcl::PointXYZRGB, pcl::PointXYZRGB, pcl::filters::GaussianKernel<pcl::PointXYZRGB, pcl::PointXYZRGB>> filters;
    filters.setKernel(kernel);                                              // 设置卷积核
    filters.setInputCloud(cloud);                                           // 输入点云
    filters.setNumberOfThreads(8);                                          // 同时计算的线程数
    filters.setSearchMethod(tree);                                          // 领域搜索的kd树
    filters.setRadiusSearch(0.02);                                          // 搜索半径
    filters.convolve(*cloud_filtered);                                      // 计算

    /****************展示********************/
    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_raw(new pcl::visualization::PCLVisualizer("raw"));
    pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> raw_rgb(cloud);
    view_raw->addPointCloud<pcl::PointXYZRGB>(cloud, raw_rgb, "raw cloud");
    view_raw->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "raw cloud");

    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_filtered(new pcl::visualization::PCLVisualizer("filter"));
    pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGB> filtered_rgb(cloud);
    view_filtered->addPointCloud<pcl::PointXYZRGB>(cloud_filtered, filtered_rgb, "filtered cloud");
    view_filtered->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "filtered cloud");

    while (!view_raw->wasStopped())
    {
        view_raw->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
    while (!view_filtered->wasStopped())
    {
        view_filtered->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

6.结果展示