点云滤波去噪
关于点云滤波去噪的方法
为什么进行点云滤波处理：
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
1234
（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
1234
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
1
1
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
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。
————————————————
版权声明：本文为CSDN博主「致宁」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43214609/article/details/86634722
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
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。
————————————————
版权声明：本文为CSDN博主「致宁」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43214609/article/details/86634722
