为什么进行点云滤波处理：
（1） 点云数据密度不规则需要平滑
（2） 因为遮挡等问题造成离群点需要去除
（3） 大量数据需要下采样
（4） 噪声数据需要去除
点云数据去噪滤波方法：
双边滤波、高斯滤波、分箱去噪、KD-Tree、直通滤波、随机采样一致性滤波等
方法定义以及适用性：
1.双边滤波：将距离和空间结构结合去噪，效果较好。只适用于有序点云
2.高斯滤波（标准差去噪）：适用于呈正态分布的数据。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。
3.分箱去噪：适用于呈偏态分布的数据。
4.dbscan：基于聚类原理去噪，复杂度较高。
5.KD-Tree（孤立森林）：复杂度高。构建KD树，随机取点求平均距离d，删掉所有大于2d的点。适用于无序点云去噪。
6.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。
7.直通滤波：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。
8.随机采样一致性滤波
9.体素滤波：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。
10.半径滤波：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。
原理以及核心代码：
// 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass; //创建直通滤波器对象
pass.setInputCloud(cloud); //设置待滤波的点云
pass.setFilterFieldName("z"); //设置过滤时所需要点云类型为Z字段
pass.setFilterLimits(-5, 1); //设置在过滤字段的范围
pass.setFilterLimitsNegative(true); //设置保留还是过滤掉字段范围内的点，设置为true表示过滤掉字段范围内的点
pass.filter(*cloud_filtered); //执行滤波
// 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud); //设置待滤波的点云
ror.setRadiusSearch(0.5); // 设置搜索半径
ror.setMinNeighborsInRadius(230); // 设置一个内点最少的邻居数目
ror.filter (*cloud_filtered); //滤波结果存储到cloud_filtered
// 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud); //设置待滤波的点云
sor.setMeanK(100); //取平均值的临近点数
sor.setStddevMulThresh(3); //临近点数数目少于多少时会被舍弃
sor.filter(*cloud_filtered);
// 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> vg; //体素栅格下采样对象
vg.setInputCloud (cloud); //设置待滤波的点云
vg.setLeafSize (0.01f, 0.01f, 0.01f); //设置采样的体素大小
vg.filter (*cloud_filtered); //执行采样保存数据
一般来说，滤波对应的方案有如下几种：
（1）按照给定的规则限制过滤去除点
（2）通过常用滤波算法修改点的部分属性
（3）对数据进行下采样
具体实现：
#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;
/*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> pass;
pass.setInputCloud(cloud);//输入点云
pass.setFilterFieldName("z");//对z轴进行操作
pass.setFilterLimits(0.0, 400.0);//设置直通滤波器操作范围
//pass.setFilterLimitsNegative(true);//true表示保留范围内，false表示保留范围外
pass.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;
/*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> vg;
vg.setInputCloud(cloud);//输入点云数据
vg.setLeafSize(0.01f, 0.01f, 0.01f); //AABB长宽高
vg.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;
/*统计滤波器滤波*/
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_after_StatisticalRemoval(new pcl::PointCloud<pcl::PointXYZ>);//
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20);//取平均值的临近点数
sor.setStddevMulThresh(5);//临近点数数目少于多少时会被舍弃
sor.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;
/*半径滤波器*/
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_after_Radius(new pcl::PointCloud<pcl::PointXYZ>);
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror; //创建滤波器
ror.setInputCloud(cloud); //设置输入点云
ror.setRadiusSearch(100); //设置半径为100的范围内找临近点
ror.setMinNeighborsInRadius(2); //设置查询点的邻域点集数小于2的删除
ror.filter(*cloud_after_Radius);
std::cout << "半径滤波后点云数据点数：" << cloud_after_Radius->points.size() << std::endl;
/*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;
int a;
std::cin >> a;
return (0);
}