前言

通常從傳感器（3D相機(jī)、雷達(dá)）中獲取到的點(diǎn)云存在噪點(diǎn)（雜點(diǎn)、離群點(diǎn)、孤島點(diǎn)等各種叫法）。噪點(diǎn)產(chǎn)生的原因有不同，可能是掃描到了不想要掃描的物體，可能是待測(cè)工件表面反光形成的，也可能是相機(jī)內(nèi)部的原因。在進(jìn)行其他算法處理之前，通常需要先去除噪聲，避免帶來(lái)干擾。去噪的方法有很多，效率和效果也是各不相同，應(yīng)用場(chǎng)景也不太一樣，本篇內(nèi)容就是想要將不同的去噪方法進(jìn)行歸納。

環(huán)境：

Windows + VS2019 + PCL1.11.1

在開(kāi)始之前，先貼出用于測(cè)試的點(diǎn)云，可以看出來(lái)空間中漂浮了很多噪點(diǎn)。原始點(diǎn)云總數(shù)為5882482個(gè)點(diǎn)，x和y方向間距為0.05。

1.半徑濾波

PCL中集成有半徑濾波，可以用于噪點(diǎn)的去除。主要需要設(shè)定兩個(gè)參數(shù)，一個(gè)是搜索半徑，另一個(gè)是在搜索半徑內(nèi)近鄰點(diǎn)的最小數(shù)量。這兩個(gè)參數(shù)需要根據(jù)點(diǎn)云的x，y，z方向上的點(diǎn)間距來(lái)設(shè)定（或者說(shuō)分辨率）。一般使用線掃相機(jī)或者結(jié)構(gòu)光相機(jī)這類(lèi)3D相機(jī)得到的點(diǎn)在x，y方向上間距都比較均勻。假設(shè)點(diǎn)間距是0.05，那么將搜索半徑設(shè)置為0.1，則搜索半徑內(nèi)理論上在上下左右方向上分別有2個(gè)點(diǎn)，共8個(gè)點(diǎn)，所以近鄰點(diǎn)最起碼也有8個(gè)。

頭文件：
#include <pcl/filters/radius_outlier_removal.h>

代碼如下：

/// <summary>
/// 使用半徑濾波進(jìn)行點(diǎn)云噪點(diǎn)去除
/// </summary>
/// <param name="cloud">輸入點(diǎn)云</param>
/// <param name="cloud_out">輸出除噪后的點(diǎn)云</param>
/// <param name="radius">搜索半徑</param>
/// <param name="neighbors">單個(gè)搜索內(nèi)近鄰點(diǎn)數(shù)</param>
/// <returns>return true表示去噪成功，return false表示失敗</returns>
bool NoiseRemoveROR(const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud_out, const float& radius,const int& neighbors)
{if (cloud == nullptr) return false;if (cloud->points.size() < 10) return false;pcl::RadiusOutlierRemoval<pcl::PointXYZ> rorfilter(true); // 初始化為true以獲取被移除的索引rorfilter.setInputCloud(cloud);rorfilter.setRadiusSearch(radius);                 // 設(shè)置搜索半徑rorfilter.setMinNeighborsInRadius(neighbors);      // 設(shè)置搜索半徑內(nèi)滿(mǎn)足的點(diǎn)數(shù)//rorfilter.setUserFilterValue(1);                 // 將不符合要求的點(diǎn)更改為新的值，而不是去去除它們，與setKeepOrganized一起使用//rorfilter.setKeepOrganized(false);               // 保證有序點(diǎn)云的結(jié)構(gòu)，與setUserFilterValue一起使用rorfilter.filter(*cloud_out);                      // 進(jìn)行離群點(diǎn)去除return true;
}

一般近鄰點(diǎn)的數(shù)量設(shè)置與搜索半徑有直接關(guān)系。而經(jīng)過(guò)測(cè)試發(fā)現(xiàn)，搜索的近鄰點(diǎn)數(shù)量需要越多則耗時(shí)越長(zhǎng)。較小的搜索半徑只需要設(shè)置較小數(shù)量的近鄰點(diǎn)，但是這樣可能會(huì)導(dǎo)致有的噪點(diǎn)去除不干凈。稍大一點(diǎn)的搜索半徑以及近鄰點(diǎn)數(shù)量適當(dāng)調(diào)大可以得到更穩(wěn)定的去噪效果。因此，效果和效率之間需要找到一個(gè)平衡點(diǎn)。
測(cè)試及結(jié)果：搜索半徑設(shè)置為0.2，近鄰點(diǎn)數(shù)量為20，耗時(shí)10.94s。效果如下：

針對(duì)于半徑濾波耗時(shí)問(wèn)題其實(shí)可以將點(diǎn)云使用直通濾波分成若干份，然后使用OpenMP對(duì)這幾份點(diǎn)云并行處理進(jìn)行半徑濾波，將結(jié)果再合并成一個(gè)點(diǎn)云，這個(gè)方法可能能夠起到加速的作用。

有一篇論文《Fast Radius Outlier Filter Variant for Large Point Clouds》，更快速的半徑濾波，還未找到源碼，若有人找到請(qǐng)聯(lián)系我，感謝。

2.統(tǒng)計(jì)學(xué)濾波

統(tǒng)計(jì)學(xué)濾波也是一種比較常見(jiàn)的去噪算法。其官方解釋如下：
The statistical outlier removal process is a bit more refined. First, for every point, the mean distance to its K neighbors is computed. Then, if we asume that the result is a normal (gaussian) distribution with a mean μ and a standard deviation σ, we can deem it safe to remove all points with mean distances that fall out of the global mean plus deviation. Basically, it runs a statistical analysis of the distances between neighboring points, and trims all which are not considered “normal” (you define what “normal” is with the parameters of the algorithm).

個(gè)人理解就是遍歷點(diǎn)云，對(duì)于每個(gè)點(diǎn)，都先搜索與其最相近的k個(gè)點(diǎn)，計(jì)算這k個(gè)點(diǎn)與該點(diǎn)的距離，并得到一個(gè)平均距離和一個(gè)平均距離的標(biāo)準(zhǔn)差。然后比較距離是否是大于μ+stddev*σ，如果大于則表示是離群點(diǎn)。

頭文件：#include <pcl/filters/statistical_outlier_removal.h>

代碼如下：

/// <summary>
/// 使用PCL中集成的統(tǒng)計(jì)學(xué)濾波進(jìn)行去噪
/// </summary>
/// <param name="cloud">輸入點(diǎn)云</param>
/// <param name="cloud_out">輸出點(diǎn)云</param>
/// <param name="k">搜索近鄰點(diǎn)的個(gè)數(shù)</param>
/// <param name="stddev">平均距離標(biāo)準(zhǔn)差的乘數(shù)</param>
/// <returns>return true表示去噪成功，return false表示失敗</returns>
bool NoiseRemoveSOR(const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud_out, const int& k, const double& stddev)
{if (cloud == nullptr) return false;if (cloud->points.size() < 10) return false;pcl::StatisticalOutlierRemoval<pcl::PointXYZ> filter; // Filter object.filter.setInputCloud(cloud);filter.setMeanK(k);                  // Set number of neighbors to consider to K.filter.setStddevMulThresh(stddev);   // Points with a distance larger than stddev standard deviation of the mean distance will be outliers.filter.filter(*cloud_out);return true;
}

使用這個(gè)統(tǒng)計(jì)學(xué)濾波感覺(jué)還是十分耗時(shí)，但是效果確實(shí)是不錯(cuò)的。
測(cè)試及結(jié)果：近鄰點(diǎn)k值的數(shù)量為20，系數(shù)設(shè)定為1.0，耗時(shí)11.07s。效果如下：

有一篇論文《Fast statistical outlier removal based method for large 3d point clouds of outdoor environments》，根據(jù)其題目理解來(lái)說(shuō)是一種更快的統(tǒng)計(jì)學(xué)濾波方法去除離群點(diǎn)，論文還沒(méi)看，源碼也沒(méi)找到，誰(shuí)能找到麻煩聯(lián)系我，感謝！

3.RANSAC

沒(méi)錯(cuò)，就是RANSAC。使用RANSAC去去噪需要滿(mǎn)足條件，那就是目標(biāo)點(diǎn)云是具有幾何特征的。如果目標(biāo)點(diǎn)云是一個(gè)平面，那么就可以使用RANSAC擬合一個(gè)平面，并且將距離平面較遠(yuǎn)的點(diǎn)（外點(diǎn)）去除。這樣當(dāng)然也可以達(dá)到去噪的效果，而且速度還比較快。

頭文件：
#include <pcl/kdtree/kdtree.h>
#include <pcl/segmentation/sac_segmentation.h>

/// <summary>
/// 使用PCL中集成的用于點(diǎn)云分割的RANSAC方法進(jìn)行平面擬合
/// </summary>
/// <param name="cloud_in">輸入待擬合的點(diǎn)云</param>
/// <param name="inliers">RANSAC擬合得到的內(nèi)點(diǎn)</param>
/// <param name="coefficients">得到的平面方程參數(shù)</param>
/// <param name="iterations">平面擬合最大迭代次數(shù)</param>
/// <param name="threshold">RANSAC擬合算法距離閾值</param>
void SEG_RANSAC(const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud_in, pcl::PointIndices::Ptr& inliers, Eigen::VectorXf& coefficients,const int& iterations, const double& threshold)
{if (inliers == nullptr) inliers.reset(new pcl::PointIndices);pcl::ModelCoefficients::Ptr coefficients_m(new pcl::ModelCoefficients);pcl::shared_ptr<pcl::search::KdTree<pcl::PointXYZ>> tree(new pcl::search::KdTree<pcl::PointXYZ>);tree->setInputCloud(cloud_in);pcl::SACSegmentation<pcl::PointXYZ> seg;seg.setOptimizeCoefficients(true);seg.setModelType(pcl::SACMODEL_PLANE);seg.setMethodType(pcl::SAC_RANSAC);seg.setMaxIterations(iterations);                     // 設(shè)置最大迭代次數(shù)seg.setDistanceThreshold(threshold);                  // 設(shè)定閾值seg.setNumberOfThreads(10);                           // 設(shè)置線程數(shù)量seg.setSamplesMaxDist(3, tree);seg.setInputCloud(cloud_in);seg.segment(*inliers, *coefficients_m);coefficients.resize(4);coefficients[0] = coefficients_m->values[0]; coefficients[1] = coefficients_m->values[1];coefficients[2] = coefficients_m->values[2]; coefficients[3] = coefficients_m->values[3];std::cout << "SEG coefficients: " << coefficients[0] << ", " << coefficients[1] << ", " << coefficients[2] << ", " << coefficients[3] << std::endl;
}

運(yùn)行時(shí)間只需要1.5s，迭代了200次。速度比半徑濾波和統(tǒng)計(jì)學(xué)濾波要快很多。但是這個(gè)方法也是很有局限性的，只適合特定點(diǎn)云才能用，而且如下圖所示，距離平面較近的噪點(diǎn)無(wú)法去除，所以是存在去除噪點(diǎn)不干凈的情況，如果追求速度，而對(duì)去噪要求沒(méi)那么高，則可以考慮使用該方法。

4.歐式聚類(lèi)

歐式聚類(lèi)既可以用于分割，也可以用于去噪，其實(shí)跟上述半徑濾波區(qū)別不大。噪點(diǎn)肯定是距離想要的點(diǎn)云比較“遠(yuǎn)”的，設(shè)置好minSize，把想要的點(diǎn)聚成一個(gè)類(lèi)，噪點(diǎn)自然就去除了。

代碼如下：

/// <summary>
/// PCL中集成的歐式聚類(lèi)
/// </summary>
/// <param name="cloud">輸入點(diǎn)云</param>
/// <param name="cluster_indices">聚類(lèi)索引的數(shù)組</param>
/// <param name="tolerance ">距離閾值</param>
/// <param name="MinClusterSize">單個(gè)類(lèi)最少的點(diǎn)數(shù)</param>
/// <param name="MaxClusterSize">單個(gè)類(lèi)最大的點(diǎn)數(shù)</param>
/// <returns>return true表示有聚類(lèi)結(jié)果，return false表示聚類(lèi)失敗</returns>
bool NoiseRemoveEC(const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, std::vector<pcl::PointIndices>& cluster_indices, const double& tolerance,const int& MinClusterSize, const int& MaxClusterSize)
{if (cloud == nullptr) return false;if (cloud->points.size() < 10) return false;int maxSize = MaxClusterSize;if (maxSize < 0) maxSize = cloud->points.size();if (MinClusterSize > maxSize) return false;pcl::shared_ptr<pcl::search::KdTree<pcl::PointXYZ>> tree(new pcl::search::KdTree<pcl::PointXYZ>); // Creating the KdTree object for the search method of the extractiontree->setInputCloud(cloud);cluster_indices.clear();pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;    // 歐式聚類(lèi)對(duì)象ec.setClusterTolerance(tolerance);                       // 設(shè)置近鄰搜索的搜索半徑為  單位是mec.setMinClusterSize(MinClusterSize);                 // 設(shè)置一個(gè)聚類(lèi)需要的最少的點(diǎn)數(shù)目ec.setMaxClusterSize(maxSize);                        // 設(shè)置一個(gè)聚類(lèi)需要的最大點(diǎn)數(shù)目ec.setSearchMethod(tree);                             // 設(shè)置點(diǎn)云的搜索機(jī)制ec.setInputCloud(cloud);                              // 輸入聚類(lèi)點(diǎn)云ec.extract(cluster_indices);                          // 從點(diǎn)云中提取聚類(lèi)，并將點(diǎn)云索引保存在cluster_indices中if (cluster_indices.empty()) return false;return true;
}

設(shè)置的距離閾值為0.1，是兩倍的點(diǎn)距大小（x，y方向點(diǎn)距都是0.05）。耗時(shí)10.9s。當(dāng)距離閾值tolerance設(shè)置的比較大時(shí)，就會(huì)特別耗時(shí)，該方法就幾乎不可用了。