PCL學習記錄-1 Filter-1 PassThrough filter（直通濾波器）功能及用法解析

PCL系列部落格主要用來記錄學習PointCloudLibrary點雲庫的過程，以及備忘。

學習資料主要來源為： PCL點雲庫（Tutorial）+Github部落格+ 《點雲庫PCL學習教程》

引：為什麼要進行濾波，以及PCL點雲庫中，包含的幾種常用的濾波方法簡介

  在獲取點雲資料時，由於裝置精度、操作者經驗、環境因素等帶來的影響，以及電磁波衍射特性、被測物體表面性質變化和資料拼接配準操作過程的影響，點雲資料中將不可避免地出現一些噪聲點。實際應用中除了這些測量隨機誤差產生的噪聲點之外，由於受到外界干擾如視線遮擋、障礙物等因素的影響，點雲資料中往往存在著一些離主體點雲較遠的離散點，即離群點。不同的獲取裝置點雲噪聲結構也有不同。

  通過濾波完成的功能還包括孔洞修復、最小資訊損失的海量點雲資料壓縮處理等 。在點雲處理流程中濾波處理作為預處理的第一步，往往對後續處理流程影響很大，只有在濾波預處理中將噪聲點、離群點、孔洞、資料壓縮等 按照後續需求處理，才能夠更好地進行配準、特徵提取、曲面重建、視覺化等後續流程。

  PCL 中點雲濾波模組提供了很多靈活實用的濾波處理演算法，例如雙邊濾波、高斯濾波、條件濾波、直通濾波、基於隨機取樣一致性濾波RANSAC等。濾波模組是作為 PCL的一個重要處理模組，其在應用中可以非常方便與其他點雲處理流程協同使用。

• 濾波相關文件：

      https://pcl-tutorials.readthedocs.io/en/latest/#filtering

• 應用場景

1. 點雲資料密度不規則需要平滑處理
2. 去除因為遮擋等問題造成離群點
3. 資料量較大，需要進行下采樣( Downsample)
4. 去除噪聲資料。

• 示例

     下圖顯示了一個噪聲消除的示例。 由於測量誤差，某些資料集會出現大量陰影點。 這使區域性點雲3D特徵的估算變得複雜。我們通過對每個點的鄰域進行統計分析，並修剪掉不符合特定條件的那些異常值，進而可以過濾掉某些異常值。

      PCL中的實現這些稀疏離群值的消除，需要計算資料集中的點與鄰居距離的分佈。 即對於每個點，都會計算從它到所有相鄰點的平均距離。 通過假設結果分佈是具有均值和標準差的高斯分佈，可以將那些平均距離在【由全域性距離均值和標準差定義的區間】之外的所有點視為離群值，並將之從資料集中進行修剪。

---

一. PassThroughFilter（直通濾波）

PassThroughFilter直通濾波原理：直通濾波主要功能是將設定範圍之外（距離原點XYZ距離範圍）的全部點給過濾掉，或者僅保留該區域的點。

直通濾波的主要使用過程（以官方Tutorial為例：https://pcl.readthedocs.io/projects/tutorials/en/latest/passthrough.html#passthrough）：

1. 建立待處理點雲物件，以及儲存點雲處理完成後的點雲物件。
2. 設定點雲的容量：寬+高+長×寬；
3. 設定點雲內所有點的xyz座標；
4. 建立PassThroughFilter物件，並設定其濾波引數。
5. 將待處理點雲物件作為filter的輸入進行濾波；
6. 得到結果：在filter物件設定的x,y,z的範圍之內的點將被保留，範圍之外的點將被捨棄，實現直通濾波的功能

二.直通濾波的程式碼：

1. PassThroughFilter.cpp

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>
#include <pcl/visualization/cloud_viewer.h>

int main(int argc, char ** argv){
    //step1. 建立處理前及處理之後的點雲物件
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);

    //step2, 設定處理前的點雲物件（容量大小，點位置等）（宣告物件->確定大小->為每個點賦值）
    cloud->width=5;
    cloud->height=1;
    cloud->points.resize(cloud->width *  cloud->height);

    for (auto& point: *cloud ){
    point.x=1024 * rand()/(RAND_MAX +1.0f);
    point.y=1024 * rand()/(RAND_MAX +1.0f);  
    point.z=1024 * rand()/(RAND_MAX +1.0f);  
    }

    //step3. 至此，例項點雲已經生成完畢，輸出處理前的點雲資訊
    std::cerr <<"The points data are shown below:" <<std::endl;
    for(const auto &point: *cloud){
        std::cerr<< "  "<<point.x<< "  "
                        <<point.y<< "  "
                        <<point.z<< std::endl;
    }
    //step4: 建立直通濾波物件
    pcl::PassThrough<pcl::PointXYZ> pass;
    pass.setInputCloud(cloud);
    pass.setFilterFieldName("z");
    pass.setFilterLimits(0.0,1.0);
    pass.filter(*filtered_cloud);//儲存處理之後的點雲
    
    
    /************************************************************************************
   建立直通濾波器的物件，設立引數，濾波欄位名被設定為Z軸方向，可接受的範圍為（0.0，1.0）
   即將點雲中所有點的Z軸座標不在該範圍內的點過濾掉或保留，這裡是過濾掉，由函式setFilterLimitsNegative設定
   ***********************************************************************************/


    //step5. 顯示處理之後的點雲詳細資訊
    std::cerr<<"The pointcloud has been processed successfully"<< std::endl;
        for(const auto &point: *filtered_cloud){
        std::cerr<< "  "<<point.x<< "  "
                        <<point.y<< "  "
                        <<point.z<< std::endl;
    } 
    //Display
    pcl::visualization::CloudViewer viewer("Cloud Viewer");
    viewer.showCloud(filtered_cloud);
    while (!viewer.wasStopped()) {
    }

    return (0);

}

2. CMakeLists.txt

cmake_minimum_required(VERSION 2.8 FATAL_ERROR)

project(passthroughfilter)

find_package(PCL 1.2 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (passthroughfilter passthroughfilter.cpp)
target_link_libraries (passthroughfilter ${PCL_LIBRARIES})

set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")

3.執行結果：可以看到，隨機生成了5個點，其中兩個點的Z座標處於範圍內（得到保留），另外兩個點在範圍外（被捨棄）

anson@anson-Inspiron:~/PCL_learning/PCL_Official_Online_Learning/01_Filters/01_PassThroughFilter/build$ ./passthroughfilter 
The points data are shown below:
  0.352222  -0.151883  -0.106395
  -0.397406  -0.473106  0.292602
  -0.731898  0.667105  0.441304
  -0.734766  0.854581  -0.0361733
  -0.4607  -0.277468  -0.916762
The pointcloud has been processed successfully
  -0.397406  -0.473106  0.292602
  -0.731898  0.667105  0.441304
^C
anson@anson-Inspiron:~/PCL_learning/PCL_Official_Online_Learning/01_Filters/01_PassThroughFilter/build$ ./passthroughfilter 
The points data are shown below:
  0.352222  -0.151883  -0.106395
  -0.397406  -0.473106  0.292602
  -0.731898  0.667105  0.441304
  -0.734766  0.854581  -0.0361733
  -0.4607  -0.277468  -0.916762
The pointcloud has been processed successfully
  -0.397406  -0.473106  0.292602
  -0.731898  0.667105  0.441304
^C