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:
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;
}