PCL学习笔记：点云滤波汇总

转载自：https://blog.csdn.net/weixin_46098577/article/details/114385690

PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如：直通滤波、统计滤波、双边滤波、高斯滤波、基于随机采样一致性滤波等。同时，PCL中总结了几种需要进行点云滤波处理的情况，如下：

    点云数据密度不规则需要平滑
    因遮挡等问题噪声的离群点需要去除
    数据冗余需要下采样
    噪声数据需要去除

对应的方法如下：

    按具体给定的规则过滤点
    通过滤波算法修改点的部分属性
    点云数据下采样

下面对PCL各种滤波方法做一些归纳总结，方便日后使用。

一、直通滤波

针对点云某一维度，去掉指定范围内（或外）的点。

流程：读入点云→创建滤波器对象→设置滤波字段范围→执行滤波→保存滤波结果

#include <pcl/filters/passthrough.h>





二、VoxelGrid体素滤波器

对点云数据创建一个三维体素栅格（微小的空间三维立方体的集合），用每个体素重心近似代替体素中的其他点。这种方法比用体素中心来逼近的方法更慢，但它对于采样点对应曲面的表示更为准确。

流程：读入点云→创建滤波器对象→设置体素大小→执行滤波→保存滤波点云

#include <pcl/filters/voxel_grid.h

滤波前后对比

 

三、UniformSampling均匀采样

对点云数据创建一个三维体素栅格，然后，在每个体素保留一个最接近体素中心的点，代替体素中所有点。

流程：读入点云→创建滤波器对象→设置滤波球体半径→执行滤波→保存滤波点云

#include <pcl/keypoints/uniform_sampling.h>
滤波前后对比

四、StatisticalOutlierRemoval统计滤波器

对每一点的邻域进行统计分析，基于点到所有邻近点的距离分布特征，过滤掉一些不满足要求的离群点。该算法对整个输入进行两次迭代：在第一次迭代中，它将计算每个点到最近k个近邻点的平均距离，得到的结果符合高斯分布。接下来，计算所有这些距离的平均值 μ 和标准差 σ 以确定距离阈值 thresh_d ，且 thresh_d = μ ± k·σ。 k为标准差乘数。在下一次迭代中，如果这些点的平均邻域距离分别低于或高于该阈值，则这些点将被分类为内点或离群点。

流程：读入点云→创建滤波器对象→设置离群点阈值→执行统计滤波→保存滤波点云

#include <pcl/filters/statistical_outlier_removal.h>
滤波前后对比

 

五、RadiusOutlierRemoval半径滤波器

对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。

流程：读入点云→创建半径滤波器对象→设置离群点阈值→执行下采样→保存采样结果

#include <pcl/filters/radius_outlier_removal.h>
滤波前后对比

 

六、ConditionRemoval条件滤波器

筛选满足特定条件的点云数据。有两种类型的条件：

 ConditionAnd: 所有条件都要满足
ConditionOr: 满足一个条件即可

可以设置一个或多个条件对象，并为条件对象添加比较算子。条件比较算子包含三项：

（1）名称：对应于点云XYZ字段名称、RGB颜色空间、HSI颜色空间中的颜色分量等。
（2） 比较运算符：GT、GE、LT、LE、EQ

运算符    含义
GT    greater than 大于
GE    greater than or equal 大于等于
LT    less than 小于
LE    less than or equal 小于等于
EQ    equal 等于
比较运算符源码

switch (this->op_)
  {
    case pcl::ComparisonOps::GT :
      return (compare_result > 0);
    case pcl::ComparisonOps::GE :
      return (compare_result >= 0);
    case pcl::ComparisonOps::LT :
      return (compare_result < 0);
    case pcl::ComparisonOps::LE :
      return (compare_result <= 0);
    case pcl::ComparisonOps::EQ :
      return (compare_result == 0);
    default:
      PCL_WARN ("[pcl::FieldComparison::evaluate] unrecognized op_!\n");
      return (false);
  }

值：即要比较的名称的数值

流程：读入点云→创建条件对象→添加比较算子→创建条件限定下的滤波器对象→执行滤波→保存滤波结果

#include <pcl/filters/conditional_removal.h>
滤波前后对比

setKeepOrganized(true) 解释：

保持点云结构，即有序点云经过滤波后，仍能够保持有序性。

setKeepOrganized默认false，即直接将滤除的点删除，从而可能改变点云的组织结构。is_dense: 1

若设置为true，再通过setuserFilterValue设置一个指定的值，被滤除的点将会被该值代替；不进行setuserFilterValue设置，则默认用nan填充被滤除的点。is_dense: 0; 

七、ExtractIndices索引提取

从原始点云中提取一组索引对应的点云子集，前提是要获取点云索引集合。

流程：读入点云→平面分割获取索引集合→创建点云索引提取对象→执行索引提取→保存提取点云

#include <pcl/filters/extract_indices.h>

滤波前后对比

八、投影滤波器

将点投影到一个参数化模型上，这个参数化模型可以是平面、圆球、圆柱、锥形等进行投影滤波。

参数化模型投影点云，以平面投影为例：读入点云→创建参数化模型→设置模型系数→执行投影滤波→保存投影点云

#include <pcl/filters/project_inliers.h>

投影前后对比

 

九、ModelOutlierRemoval模型滤波器

根据点到模型的距离，设置距离阈值过滤非模型点

流程：读入点云→设置模型系数→创建模型滤波器对象→执行模型滤波→保存滤波结果

滤波前后对比

十、空间裁剪滤波

10.1 CropHull滤波器

获取点云在 3D 封闭曲面上或 2D 封闭多边形内或外部的点。

流程：读入点云→设置封闭范围顶点→创建凸包对象→执行CropHull滤波→保存滤波点云

需要注意的是 ，setDimension()和CH.setDim()的维度应保持一致

    当维度设置为2时，封闭区域为2D封闭多边形，只有X和Y两个维度。因此，该封闭多边形在三维空间中表示为垂直于XOY面的竖直曲面。得到的是曲面内部或外部的点云。
    当维度设置为3时，封闭区域为3D封闭曲面，仅得到位于该封闭曲面上的点。

十一 、BilateralFilter 双边滤波器


class pcl::BilateralFilter< PointT > 类BilateralFilter是对双边滤波算法在点云上的实现，该类的实现利用的并非XYZ字段的数据进行，而是利用强度数据进行双边滤波算法的实现，所以在使用该类时点云的类型必须有强度字段，否则无法进行双边滤波处理（所以在用这个函数的时候是需要注意自己输入点云的数据格式的，需要包含点云的强度信息）
#include <pcl/filters/bilateral.h>
注：只是代码跑通，并不适用于1.pcd文件（1.pcd文件只有XYZ字段，没有强度字段）