?????? ? 點云數據是三維空間的離散數據，不是類似于PLY格式的點線概念，因此可以使用所謂的“濾波方法”。點云數據若非看成深度map數據，則不再適用于使用二維圖形的核卷積方法。此外，濾波方法與點云存儲格式密切相關，點云存儲格式一般為八叉樹，而2.5D圖像存儲格式可以用深度Map形式，對應了不同的濾波方式。

??????? 此外，點云劃分為有序點云和無序點云之后，又對應了不同的濾波方法。

?

(1） 如果點云是有序的，通過 pcl: : Organ izedDatalnd ex 使用有序搜索方法 。 (2） 如果點云是無序的，通過 pcl : : KdTreeFLANN 使用通用的 Kd 樹 //有序點云 //Example: // cloud.width = 640; // Image-like organized structure, with 640 rows and 480 columns, // cloud.height = 480; // thus 640*480=307200 points total in the dataset //無序點云 //Example: // cloud.width = 307200; // cloud.height = 1; // unorganized point cloud dataset with 307200 points

?

???????? 實際意義上的點云濾波，是以三維點集的思維方面尋找方法，因此點云濾波依賴于幾何信息，而不是數值關系。在濾波思想上，本質上三維點云X、Y、Z的思想方法權重應該是一致的。

?

0.何為雙邊濾波器

?????? 雙邊濾波，Bilateral filter。是一種可以保邊去噪的濾波器。之所以可以達到此去噪效果，是因為濾波器是由兩個函數構成。一個函數是由幾何空間距離決定濾波器系數。另一個由像素差值決定濾波器系數。在差值較高的地方降低權重，此時可以明顯包住邊緣。

? ? ? ?雙邊濾波器的好處是可以做邊緣保存edge preserving，一般過去用的維納濾波或者高斯濾波去降噪，都會較明顯的模糊邊緣，對于高頻細節的保護效果并不明顯。雙邊濾波器顧名思義比高斯濾波多了一個高斯方差sigma－d，它是基于空間分布的高斯濾波函數，所以在邊緣附近，離的較遠的像素不會太多影響到邊緣上的像素值，這樣就保證了邊緣附近像素值的保存。 ??????

??????? 但是由于保存了過多的高頻信息，對于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠對于低頻信息進行較好的濾波。

??????? 參考這個：雙邊濾波器.....

??????? 即濾波函數在一個梯度計算時候添加一個判斷條件的，復合函數...

?

1.PCL的雙邊濾波

類似于灰度圖雙邊濾波的效果，點云雙邊濾波仍然具有保邊濾波功能

PCL示例代碼：

void Filters::bilateralFilter(pcl::PCLPointCloud2::ConstPtr input, pcl::PCLPointCloud2& output,float sigma_s, float sigma_r) {// Convert data to PointCloud<T>pcl::PointCloud<pcl::PointXYZ>::Ptr xyz (new pcl::PointCloud<pcl::PointXYZ>);fromPCLPointCloud2 (*input, *xyz);// Apply the filterpcl::FastBilateralFilter<pcl::PointXYZ> fbf;fbf.setInputCloud (xyz);fbf.setSigmaS (sigma_s);fbf.setSigmaR (sigma_r);pcl::PointCloud<pcl::PointXYZ> xyz_filtered;fbf.filter (xyz_filtered);// Convert data backpcl::PCLPointCloud2 output_xyz;toPCLPointCloud2 (xyz_filtered, output_xyz);pcl::concatenateFields (*input, output_xyz, output); }

此外，雙邊濾波依然有平面平滑的作用。因此，對于使用平面擬合獲取點云稠密法線，還是有很大幫助的。

2.PCL的密度聚類

PCL的噪點大多分布比較隨機，相對對于正確點云數據密度較低，調至一個合適的參數，可以用密度方法去除噪點（也叫離群點）。

缺點：對于相對于相機傾斜度極高的斜面，正確點云墻的密度也非常稀疏，因此在這種情況出現時，需要其他的判斷方法。

PCL示例代碼：

2.1基于統計密度的聚類

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;sor.setInputCloud (cloud);sor.setMeanK (50);sor.setStddevMulThresh (1.0);sor.filter (*cloud_filtered);

統計濾波器StatisticalOutlierRemoval用于去除明顯離群點（離群點往往由測量噪聲引入）。

每個點都表達一定信息量，某個區域點越密集則可能信息量越大。噪聲信息屬于無用信息，信息量較小。所以離群點表達的信息可以忽略不計。考慮到離群點的特征，則可以定義某處點云小于某個密度，既點云無效。計算每個點到其最近的k個點平均距離。則點云中所有點的距離應構成高斯分布。給定均值與方差，可剔除離群點。

?

2.2基于半徑的聚類

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;// build the filteroutrem.setInputCloud(cloud);outrem.setRadiusSearch(0.8);outrem.setMinNeighborsInRadius (2);// apply filteroutrem.filter (*cloud_filtered);

基于半徑的聚類，指明了使用半徑統計的方法

???????

?

3.其他方法：不管是密度聚類還是雙邊聚類，都無法避免超斜平面的點云稀疏性問題。

?????? 最好的方法，是在點云濾波之前，使用平面擬合和曲面擬合的方法，先找出平面和曲面，保留平面點和曲面點集合，再進行濾波。

?

總結

以上是生活随笔為你收集整理的三维重建8：点云图像的滤波方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。