点云滤波相关
介绍
主要⽅法
直通滤波（PassThrough 滤波）
VoxelGrid滤波器对点云进⾏下采样
均匀采样
增采样
statisticalOutlierRemoval滤波器移除离群点
使⽤参数化模型投影点云
ConditionalRemoval
RadiusOutlinerRemoval 移除离群点
从⼀个点云中提取索引 根据点云索引提取对应的点云
介绍
点云滤波，顾名思义，就是滤掉噪声。原始采集的点云数据往往包含⼤量散列点、孤⽴点，在获取点云数据时 ，由于设备精度，操作者经验环境因素带来的影响，以及电磁波的衍射性，被测物体表⾯性质变化和数据拼接配准操作过程的影响，点云数据中讲不可避免的出现⼀些噪声。在点云处理流程中滤波处理作为预处理的第⼀步，对后续的影响⽐较⼤，只有在滤波预处理中将噪声点 ，离群点，孔洞，数据压缩等按照后续处理定制，才能够更好的进⾏配准，特征提取，曲⾯重建，可视化等后续应⽤处理。其类似于信号处理中的滤波，
点云滤波⽅法主要有:
1. 直通滤波器 pcl::PassThrough<pcl::PointXYZ> pass
2. 体素格滤波器 pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
3. 统计滤波器 pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;牵一发而动全身是什么意思
4. 半径滤波器 pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
5. 双边滤波 pcl::BilateralFilter<pcl::PointXYZ> bf;
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，双边滤波算法是通过取临近采样点和加权平均来修正当前采样点的位置，从⽽达到滤波效果，同时也会有选择剔除与当前采样点“差异”太⼤的相邻采样点，从⽽保持原特征的⽬的 。
6. ⾼斯滤波 pcl::filters::GaussianKernel< PointInT, PointOutT >
学生上课 是基于⾼斯核的卷积滤波实现 ⾼斯滤波相当于⼀个具有平滑性能的低通滤波器
7. ⽴⽅体滤波 pcl::CropBox< PointT>
过滤掉在⽤户给定⽴⽅体内的点云数据
8. 封闭曲⾯滤波 pcl::CropHull< PointT>
过滤在给定三维封闭曲⾯或⼆维封闭多边形内部或外部的点云数据
9. 空间剪裁：
pcl::Clipper3D<pcl::PointXYZ>
pcl::BoxClipper3D<pcl::PointXYZ>
pcl::CropBox<pcl::PointXYZ>
pcl::CropHull<pcl::PointXYZ> 剪裁并形成封闭曲⾯
10. 卷积滤波：实现将两个函数通过数学运算产⽣第三个函数，可以设定不同的卷积核
pcl::filters::Convolution<PointIn, PointOut>
pcl::filters::ConvolvingKernel<PointInT, PointOutT>
安静的乡村女人
11. 随机采样⼀致滤波
等，
通常组合使⽤完成任务。
PCL中点云滤波的⽅案
点云数据密度不规则需要平滑
因为遮挡等问题造成离群点需要去除
⼤量数据需要下采样
噪声数据需要去除
对应的⽅案如下
按照给定的规则限制过滤去除点
通过常⽤滤波算法修改点的部分属性
对数据进⾏下采样
去除噪⾳
直通滤波（PassThrough 滤波）
最简单的⼀种滤波器，它的作⽤是过滤掉在指定维度⽅向上取值不在给定值域内的点。直通滤波器的
实现原理如下：⾸先，指定⼀个维度以及该维度下的值域，其次，遍历点云中的每个点，判断该点在指定维度上的取值是否在值域内，删除取值不在值域内的点，最后，遍历结束，留下的点即构成滤波后的点云。直通滤波器简单⾼效，适⽤于消除背景等操作。
#include <pcl/filters/passthrough.h>
如果使⽤线结构光扫描的⽅式采集点云，必然物体沿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。
结果：
消灭眼袋
VoxelGrid滤波器对点云进⾏下采样
使⽤体素化⽹格⽅法实现下采样，即减少点的数量 减少点云数据，并同时保存点云的形状特征，在提⾼配准，曲⾯重建，形状识别等算法速度中⾮常实⽤，PCL是实现的VoxelGrid类通过输⼊的点云数据
骷髅简笔画创建⼀个三维体素栅格，容纳后每个体素内⽤体素中所有点的重⼼来近似显⽰体素中其他点，这样该体素内所有点都⽤⼀个重⼼点最终表⽰，对于所有体素处理后得到的过滤后的点云，这种⽅法⽐⽤体素中⼼（注意中⼼和重⼼）逼近的⽅法更慢，但是对于采样点对应曲⾯的表⽰更为准确。
在⽹格内减少点数量保证重⼼位置不变
下采样 同时去除 NAN点
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。
体素格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。
点云⼏何结构 不仅是宏观的⼏何外形，也包括其微观的排列⽅式，
⽐如横向相似的尺⼨，纵向相同的距离。
随机下采样虽然效率⽐体素滤波器⾼，但会破坏点云微观结构.
使⽤体素化⽹格⽅法实现下采样，即减少点的数量 减少点云数据，
并同时保存点云的形状特征，在提⾼配准，曲⾯重建，形状识别等算法速度中⾮常实⽤，
PCL是实现的VoxelGrid类通过输⼊的点云数据创建⼀个三维体素栅格，
容纳后每个体素内⽤体素中所有点的重⼼来近似显⽰体素中其他点，
这样该体素内所有点都⽤⼀个重⼼点最终表⽰，对于所有体素处理后得到的过滤后的点云，
这种⽅法⽐⽤体素中⼼（注意中⼼和重⼼）逼近的⽅法更慢，但是对于采样点对应曲⾯的表⽰更为准确。
结果：
结果不太明显，换⼀个：
均匀采样 pcl::UniformSampling
这个类基本上是相同的，但它输出的点云索引是选择的关键点，是在计算描述⼦的常见⽅式。 原理同体素格 （正⽅体⽴体空间内 保留⼀个点（重⼼点））
⽽ 均匀采样：半径求体内 保留⼀个点（重⼼点）
#include <pcl/filters/uniform_sampling.h>//均匀采样
增采样 tUpsamplingMethod
增采样是⼀种表⾯重建⽅法，当你有⽐你想象的要少的点云数据时，
增采样可以帮你恢复原有的表⾯（S），通过内插你⽬前拥有的点云数据，
这是⼀个复杂的猜想假设的过程。所以构建的结果不会百分之⼀百准确，
但有时它是⼀种可选择的⽅案。
刷洗
所以，在你的点云云进⾏下采样时，⼀定要保存⼀份原始数据！
statisticalOutlierRemoval滤波器移除离群点
作⽤是去除稀疏离群噪点。在采集点云的过程中，由于测量噪声的影响，会引⼊部分离群噪点，它们在点云空间中分布稀疏。在估算点云局部特征（例如计算采样点处的法向量和曲率变化率）时，这些噪点可能导致错误的计算结果，从⽽使点云配准等后期处理失败。统计滤波器的主要思想是假设点云中所有的点与其最近的k个邻居点的平均距离满⾜⾼斯分布，那么，根据均值和⽅差可确定⼀个距离阈值，当某个点与其最近k个点的平均距离⼤于这个阈值时，判定该点为离群点并去除。统计滤波器的实现原理如下：⾸先，遍历点云，计算每个点与其最近的k个邻居点之间的平均距离；其次，计算所有平均距离的均值μ与标准差σ，则距离阈值dmax可表⽰为dmax=μ＋α×σ，α是⼀个常数，可称为⽐例系数，它取决于邻居点的数⽬；最后，再次遍历点云，剔除与k个邻居点的平均距离⼤于dmax的点。
#include <pcl/filters/statistical_outlier_removal.h>
统计滤波器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。计算每个点到其最近的k(设定)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ｎ个∑之外的点
激光扫描通常会产⽣密度不均匀的点云数据集，另外测量中的误差也会产⽣稀疏的离群点，
宫省此时，估计局部点云特征（例如采样点处法向量或曲率变化率）时运算复杂，
这会导致错误的数值，反过来就会导致点云配准等后期的处理失败。
解决办法：对每个点的邻域进⾏⼀个统计分析，并修剪掉⼀些不符合标准的点。
具体⽅法为在输⼊数据中对点到临近点的距离分布的计算，对每⼀个点，
计算它到所有临近点的平均距离（假设得到的结果是⼀个⾼斯分布，
其形状是由均值和标准差决定），那么平均距离在标准范围之外的点，
可以被定义为离群点并从数据中去除。
财务顾问协议使⽤参数化模型投影点云
使⽤参数化模型投影点云
如何将点投影到⼀个参数化模型上（平⾯或者球体等），
