點雲濾波器與過濾器

這一節將為大家介紹點雲濾波，讀者可能會有疑問，為什麼要分為深度圖濾波和點雲濾波 ? 深度圖濾波是對深度圖進行處理，通常處理的是深度圖中相鄰的畫素，而點雲濾波針對的是將深度圖投射到 3D 空間後得到的點雲，通常處理的是在 3D 空間中根據歐式距離得到的鄰近區域，而且能更有效地利用其 3D 幾何特徵。舉個簡單的例子，一個深度圖中畫素被噪聲干擾變成離群點，其在深度圖中難以區分，而投射到 3D 空間以後，離群點距離其他點都很遠，則很容易將其濾除。

在獲取點雲資料時，由於裝置精度、操作者經驗、環境因素的影響，以及電磁波的行射特性、被測物體表面性質變化和資料拼接配準操作的影響，點雲資料將不可避免地受到噪聲干擾。在點雲處理流程中，濾波處理作為預處理的第一步，對後續的影響比較大，只有在濾波預處理中將噪聲、離群點、孔洞等按照後續需求進行處理，才能夠更好地進行配準、特徵提取、曲面重建、視覺化等。PCL 庫中的點雲濾波模組提供了很多靈活實用的濾波處理演算法，我們根據對資料處理形式的不同將其分為濾波器和過濾器兩類，許多參考資料不會區分二者的概念，為避免混淆，將其明確分類。過濾器指透過設定某種條件，刪除不符合條件的資料，保留符合條件的資料，如統計過濾器、半徑過濾器、直透過濾器；而濾波器則是對資料進行處理修正，如體素濾波器。

 

體素濾波器

使用體素網格實現下采樣，減少點的數量，同時保留點雲的形狀特徵，在提高配準、曲面重建、形狀識別等方面非常實用。點雲幾何結構不僅包括宏觀的幾何外形，也包括微觀的排列方式，如橫向相似的尺寸、縱向相同的距離。隨機下采樣雖然效率比體素濾波器高，但會破壞點雲微觀結構。體素濾波操作者先針對輸入的點雲資料建立一個 3D體素柵格來容納畫素，在每個體素內，用體素中所有點的重心來近似表示體素中其他點，這樣該體素內所有點都用一個重心點最終表示，對所有體素都進行這樣的處理後，得到的就是過濾後的點雲。

 

統計過濾器

統計過濾器使用統計分析技術，從一個點雲資料中集中移除測量噪聲(離群點)。例如，鐳射掃描通常會產生密度不均勻的點雲資料集，另外測量中的誤差也會造成稀疏的離群點，使效果不好，反過來就會導致點雲配準等後期處理的失敗。可以理解為，每個點都表達一定的資訊，某個區域的點越密集，資訊量就可能越大。噪聲資訊屬於無用資訊，所以離群點表達的資訊可以忽略不計。考慮到離群點的特徵，可以定義:若某處點雲密度小於某個值，則點雲無效。我們可以對每個點的鄰域進行統計分析，並移除一些不符合標準的點，稀疏離群點的移除基於在輸入資料中對點到其臨近點的距離的計算，對於每個點，計算它到它的所有臨近點的平均距離，假設得到的結果是一個高斯分佈，其形狀是由均值和標準差決定的，平均距離在標準範圍之外的點可以定義為離群點並從資料中去除。

 

半徑過濾器

半徑濾波器與統計濾波器相比更加簡單粗暴。以某點為中心畫一個半徑為d的球，計算落在該球中點的數量，當數量大於給定閾值時，保留該點，否則剔除該點。此演算法執行速度快，依序迭代留下的點一定是最密集的，但是球的半徑和球內點的數量閾值都需要人工指定。

 

直透過濾器

如果使用線結構光掃描的方式採集點雲，物體必然沿z方向分佈較廣，但在x、y方向上的分佈則處於有限範圍內。此時可使用直透過濾器，確定點雲在x方向或y方向上的範圍，這樣就可以較快去除離群點，達到第一步粗處理的目的。透過濾器可以簡單理解為3D空間切塊過濾器。