三维点云处理中的滤波器技术详解

三维点云处理中的滤波器技术详解

引用

CSDN

1.

https://blog.csdn.net/weixin_49401384/article/details/137981135

前言

点云中往往会存在很多噪声，也就是常说的离群点，这些噪声可能会对有效数据的提取分析造成影响。因此，在数据分析前通常会考虑采用滤波器（Filter）等手段进行一些预处理的操作。过滤后的点云有助于对其进行更好的数据分析，如平面估计、分类、分割提取等。

常见的滤波算法

1. 噪声去除

• Radius Outlier Removal：基于半径的异常值去除
• Statistical Outlier Removal：统计异常值去除

2. 下采样

• Voxel Grid Downsampling：体素网格下采样
• Farthest Point Sampling：最远点采样
• Normal Space Sampling：法线空间采样

3. 上采样/平滑/噪声去除

• Bilateral Filter：双边滤波

1. Radius Outlier Removal (ROR) 基于半径的异常值去除

基本思想：噪声点一般是离群孤立的，而正常数据点其周围会存在足够多的近邻点。

方法：检查数据点在其指定半径范围内的邻居数量，如果邻居数量少于某个阈值，则视为异常值并去除。

2. Statistical Outlier Removal (SOR) 统计异常值滤除

基本思想：基于点云数据的统计分布（如均值和标准差）来识别并移除异常值。

方法：根据每一点与邻近点距离的分布信息，计算这些点的高斯分布参数，然后使用 3σ 准则进行过滤。

3. Voxel Grid Downsampling (VGD) 体素网格下采样

基本思想：将三维点云空间划分为一系列的体素（Voxel），然后每个体素内选取少量特征点来表征该体素信息，最终生成降采样后的点云数据。

常见的选取方法如：中心点（Centroid）、随机点（Random select）。

• VGD - Exact：通过排序实现点云降采样。
• VGD - Approximated：使用 Hash Table 来加速降采样过程。

4. Farthest Point Sampling (FPS) 最远点采样

基本思想：从数据集中选择最远的点作为采样点，确保采样点分布均匀。

方法：从数据中随机选取一个点作为初始点，然后不断迭代地选择距离已有采样点集合的最远点。

5. Normal Space Sampling (NSS) 法向空间采样

基本思想：在法向量空间内均匀随机抽样，以保持地物特征。

方法：先在法向量空间构建一系列的容器，然后依据平面法向量将所有点放到对应容器中，接着从所有容器中均匀地选点。

6. Learning to Sample

通过几何意义上的限制，使得降采样后的点具有和降采样之前相似的几何状态。核心思路是基于语义检测任务，要求降采样之后的点能够达到语义分析的效果。

7. Bilateral Filter (BF) 双边滤波

基本思想：在滤波过程中同时考虑空间邻近度和像素值相似性，以达到保边去噪的效果。

应用场景：图像处理、点云上采样等。

Voxel Grid Downsampling 练习

1. 代码实现

体素网格降采样算法的基本流程包括：

1. 根据输入的数据和体素尺寸，计算不同维度上可分割的体素数量
2. 将数据映射到对应的体素单元得到索引
3. 根据点云对应的体素索引进行排序
4. 从每个体素格子中选取特征点（中心点、随机点）来代表该体素单元
5. 降采样后的点云输出

2. 可视化效果

使用 ModelNet40 数据集进行点云降采样测试，降采样网格大小为0.1m，体素网格点云分别为中心点和随机点方式表示，测试效果如下：

上图从左到右分别是：原始点云图、VGD降采样点云（中心点法）、VGD降采样点云（随机点法）。