本文主要介绍五中点云滤波方法:直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。
噪声点与离群点。在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响,点云数据中将不可避免地出现一些噪声点,属于随机误差。除此之外,由于受到外界干扰如视线遮挡,障碍物等因素的影响,点云数据中往往存在着一些距离主题点云较远的离散点,即离群点。
离群点
点云处理中滤波目的。滤波处理作为点云处理的第一步,对后续处理有很重要。只有在滤波处理流程中将噪声点、离群点、空洞、数据压缩等按照后续处理定制,才能更好地进行配准、特征提取、曲面重建、可视化等后续应用处理。点云数据集中每一个点表达一定的信息量,某个区域点越密集有用的信息量越大。孤立的离群点信息量较小,其表达的信息量可以忽略不计。
滤波器介绍
直通滤波器:对于在空间分布有一定空间特征的点云数据,比如使用线结构光扫描的方式采集点云,沿z向分布较广,但x,y向的分布处于有限范围内。此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。
体素滤波器:体素的概念类似于像素,使用AABB包围盒将点云数据体素化,一般体素越密集的地方信息越多,噪音点及离群点可通过体素网格去除。另一方面如果使用高分辨率相机等设备对点云进行采集,往往点云会较为密集。过多的点云数量会对后续分割工作带来困难。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。
统计滤波器: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。则点云中所有点的距离应构成高斯分布。给定均值与方差,可剔除3∑之外的点。
条件滤波:条件滤波器通过设定滤波条件进行滤波,有点分段函数的味道,当点云在一定范围则留下,不在则舍弃。
半径滤波器:半径滤波器与统计滤波器相比更加简单粗暴。以某点为中心画一个圆计算落在该圆中点的数量,当数量大于给定值时,则保留该点,数量小于给定值则剔除该点。此算法运行速度快,依序迭代留下的点一定是最密集的,但是圆的半径和圆内点的数目都需要人工指定。
代码实现
-
#include<iostream>
-
#include<pcl/point_types.h>
-
#include<pcl/filters/passthrough.h> //直通滤波器头文件
-
#include<pcl/filters/voxel_grid.h> //体素滤波器头文件
-
#include<pcl/filters/statistical_outlier_removal.h> //统计滤波器头文件
-
#include <pcl/filters/conditional_removal.h> //条件滤波器头文件
-
#include <pcl/filters/radius_outlier_removal.h> //半径滤波器头文件
-
-
-
int main(int argc, char** argv)
-
{
-
///****************************************************
-
/*创建点云数据集。*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
-
cloud->width =
500;
-
cloud->height =
1;
-
cloud->points.resize(cloud->width*cloud->height);
-
std::
cout <<
"创建原始点云数据" <<
std::
endl;
-
for (
size_t i =
0; i < cloud->points.size(); ++i)
-
{
-
cloud->points[i].x =
1024 * rand() / (RAND_MAX +
1.0f);
-
cloud->points[i].y =
1024 * rand() / (RAND_MAX +
1.0f);
-
cloud->points[i].z =
1024 * rand() / (RAND_MAX +
1.0f);
-
}
-
-
for (
size_t i =
0; i < cloud->points.size(); i++)
-
{
-
std::
cerr <<
" " << cloud->points[i].x <<
" "
-
<< cloud->points[i].y <<
" "
-
<< cloud->points[i].z <<
std::
endl;
-
}
-
std::
cout <<
"原始点云数据点数:" << cloud->points.size()<<
std::
endl <<
std::
endl;
-
-
///****************************************************
-
-
///****************************************************
-
/*方法一:直通滤波器对点云进行处理。*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud_after_PassThrough(new pcl::PointCloud<pcl::PointXYZ>);
//
-
-
pcl::PassThrough<pcl::PointXYZ> passthrough;
-
passthrough.setInputCloud(cloud);
//输入点云
-
passthrough.setFilterFieldName(
"z");
//对z轴进行操作
-
passthrough.setFilterLimits(
0.0,
400.0);
//设置直通滤波器操作范围
-
//passthrough.setFilterLimitsNegative(true);//true表示保留范围内,false表示保留范围外
-
passthrough.filter(*cloud_after_PassThrough);
//执行滤波,过滤结果保存在 cloud_after_PassThrough
-
-
std::
cout <<
"直通滤波后点云数据点数:" << cloud_after_PassThrough->points.size() <<
std::
endl;
-
-
///****************************************************
-
-
///****************************************************
-
/*方法二:体素滤波器实现下采样*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud_after_voxelgrid(new pcl::PointCloud<pcl::PointXYZ>);
//
-
-
pcl::VoxelGrid<pcl::PointXYZ> voxelgrid;
-
voxelgrid.setInputCloud(cloud);
//输入点云数据
-
voxelgrid.setLeafSize(
10.0f,
10.0f,
10.0f);
//AABB长宽高
-
voxelgrid.filter(*cloud_after_voxelgrid);
-
-
std::
cout <<
"体素化网格方法后点云数据点数:" << cloud_after_voxelgrid->points.size() <<
std::
endl;
-
///****************************************************
-
-
///****************************************************
-
/*方法三:统计滤波器滤波*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud_after_StatisticalRemoval(new pcl::PointCloud<pcl::PointXYZ>);
//
-
-
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> Statistical;
-
Statistical.setInputCloud(cloud);
-
Statistical.setMeanK(
20);
//取平均值的临近点数
-
Statistical.setStddevMulThresh(
5);
//临近点数数目少于多少时会被舍弃
-
Statistical.filter(*cloud_after_StatisticalRemoval);
-
-
std::
cout <<
"统计分析滤波后点云数据点数:" << cloud_after_StatisticalRemoval->points.size() <<
std::
endl;
-
///****************************************************
-
-
///****************************************************
-
/*方法四:条件滤波器*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud_after_Condition(new pcl::PointCloud<pcl::PointXYZ>);
-
-
pcl::ConditionAnd<pcl::PointXYZ>::
Ptr range_condition(new pcl::ConditionAnd<pcl::PointXYZ>());
-
range_condition->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
new
-
pcl::FieldComparison<pcl::PointXYZ>(
"z", pcl::ComparisonOps::GT,
0.0)));
//GT表示大于等于
-
range_condition->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(
new
-
pcl::FieldComparison<pcl::PointXYZ>(
"z", pcl::ComparisonOps::LT,
0.8)));
//LT表示小于等于
-
-
pcl::ConditionalRemoval<pcl::PointXYZ> condition;
-
condition.setCondition(range_condition);
-
condition.setInputCloud(cloud);
//输入点云
-
condition.setKeepOrganized(
true);
-
-
condition.filter(*cloud_after_Condition);
-
std::
cout <<
"条件滤波后点云数据点数:" << cloud_after_Condition->points.size() <<
std::
endl;
-
///****************************************************
-
-
///****************************************************
-
/*方法五:半径滤波器*/
-
pcl::PointCloud<pcl::PointXYZ>::
Ptr cloud_after_Radius(new pcl::PointCloud<pcl::PointXYZ>);
-
-
pcl::RadiusOutlierRemoval<pcl::PointXYZ> radiusoutlier;
//创建滤波器
-
-
radiusoutlier.setInputCloud(cloud);
//设置输入点云
-
radiusoutlier.setRadiusSearch(
100);
//设置半径为100的范围内找临近点
-
radiusoutlier.setMinNeighborsInRadius(
2);
//设置查询点的邻域点集数小于2的删除
-
-
radiusoutlier.filter(*cloud_after_Radius);
-
std::
cout <<
"半径滤波后点云数据点数:" << cloud_after_Radius->points.size() <<
std::
endl;
-
-
int a;
-
std::
cin >> a;
-
return (
0);
-
-
}
参考文献链接:https://blog.csdn.net/woniu199166/article/details/78625203