点云的滤波

激光扫描通常会产生密度不均匀的点云数据集。另外，测量中的误差会产生稀疏的离群点，使效果更糟。估计局部点云特征（例如采样点处法向量或曲率变化率）的运算很复杂，这会导致错误的数值，反过来有可能导致点云的配准等后期处理失败。

以下方法可以解决其中部分问题：对每个点的邻域进行一个统计分析，并修剪掉那些不符合一定标准的点。我们的稀疏离群点移除方法基于在输入数据中对点到临*点的距离分布的计算。对每个点，我们计算它到它的所有临*点的*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，*均距离在标准范围（由全局距离*均值和方差定义）之外的点，可被定义为离群点并可从数据集中去除掉。

使用StatisticalOutlierRemoval滤波器移除离群点

统计滤波器StatisticalOutlierRemoval用于去除明显离群点（离群点往往由测量噪声引入）。其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*的k个点*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，可剔除离群点。

图1展示了稀疏离群点分析和移除的效果：左图为原始数据集，右图为处理结果。该图展示了处理前和处理后，一个点邻域范围内的k*邻邻域*均距离。

图1 稀疏离群点分析和移除的效果对比图

代码

首先，在PCL（Point Cloud Learning）中国协助发行的书[1]提供光盘的第8章例3文件夹中，打开名为statistical_removal.cpp的代码文件，

同文件夹下可以找到相关的测试点云文件table_scene_lms400.pcd

下面来解析上面打开源代码的关键语句。下列代码将从磁盘中读取点云数据。

pcl::PCDReaderreader;//定义读取对象

reader.read<pcl::PointXYZ>("table_scene_lms400.pcd",*cloud);//读取点云文件

然后，创建了一个pcl::StatisticalOutlierRemoval滤波器，将对每个点分析的临*点个数设为50，并将标准差倍数设为1，这意味着如果一个点的距离超出*均距离一个标准差以上，则该点被标记为离群点，并将被移除。计算后的输出结果储存在cloud_filtered中。

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;// 创建滤波器对象

sor.setInputCloud(cloud);                        //设置呆滤波的点云

sor.setMeanK(50);                                //设置在进行统计时考虑查询点邻*点数

sor.setStddevMulThresh(1.0);                    //设置判断是否为离群点的阈值

sor.filter(*cloud_filtered);                    //执行滤波处理保存内点到cloud_filtered

剩下的数据（内部点）将被存入磁盘，以供其他使用，例如可视化等。

pcl::PCDWriterwriter;

writer.write<pcl::PointXYZ>("table_scene_lms400_inliers.pcd",*cloud_filtered,false);

然后，使用同样的参数再次调用该滤波器，但是利用函数setNegative设置使输出取外点，以获取离群点数据（也就是原本滤除掉的点）。

sor.setNegative(true);

sor.filter(*cloud_filtered);

并将数据写回到磁盘。

writer.write<pcl::PointXYZ>("table_scene_lms400_outliers.pcd",*cloud_filtered,false);

#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>);
  // 填入点云数据
  pcl::PCDReader reader;
  // 把路径改为自己存放文件的路径
  reader.read<pcl::PointXYZ> ("table_scene_lms400.pcd", *cloud);
  std::cerr << "Cloud before filtering: " << std::endl;
  std::cerr << *cloud << std::endl;
  // 创建滤波器对象
  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);
}

　　可以直接在VS中执行控制台会输出点云滤波的信息，并得到两个pcb分别存储内点和外点：

table_scene_lms400_inliers.pcd

table_scene_lms400_outliers.pcd

原点云可视化结果：

滤波处理后：    

 参考：http://www.pclcn.org/study/shownews.php?lang=cn&id=68  

           http://blog.sina.com.cn/s/blog_a2b9923f0102wrwy.html