关于3D点云滤波

点云是三维离散数据，图像是二维稠密矩阵。数据类型的不同决定了其处理方式的差异，但滤波的基本原理和目的有相同之处∶利用数据的低频特性剔除离群数据，并进行数据平滑或提取特定频段特征。点云滤波包括剔除离群点，拟合局部平面，方法分别有ransac与3D拟合。图像滤波侧重于纠正噪声点(如中值滤波)，并平滑图像(如高斯滤波)或提取特定频段图像(sobel滤波，带通滤波)。

 

 

点云滤波

目的：解决采集到的点云与点云处理需求上的矛盾。例如，某一点云处理算法希望采集到的点云是均匀的、无噪声的、无空洞的等。

好的点云有利于进行更好的配准、特征提取、曲面重建、可视化。

 

常见的点云处理方法：

方法	概述	优点	缺点
直通滤波	指定某一空间范围，直接进行的点云保留或去除	原理简单，能够快速截取想要的点云区域	原理过于简单，无法去除保留下来的点云进行更充分的处理（例如去噪、填充等）
体素法滤波	主要用于下采样，运用体素的概念对点云进行降采样，减少后续点云处理的数据负担。	能够在保留点云形状特征的基础上减少点云数量	下采样就意味着信息丢失，关键看丢失的信息影不影响后续对点云其他信息的发掘
统计滤波	在点云中，计算每个点到其临近的k个点的平均距离，若该距离超出所设定的合理区间（一般超出上限值），定义该点为离群点	原理简单 用类似密度的概念去除点云中的离群点	需要提前进行点云建树，距离的设定一般需要指定
半径滤波	以点云中的某个点为中心，半径为r的圆（或球）区域内，统计点的数目，少于数目N，则该点被剔除	原理简单	依赖N和r的指定 在有高度落差的边缘，可能获得不好的处理效果； 稀疏区域的正常点也可能被滤除；
双边滤波	从2d图像处理引入，主要用于模糊保边缘	模糊保边缘
高斯滤波
基于随机采样一致性滤波

 

以上优缺点知识大致列举。还要根据实际应用场合以及相应的处理需求来看，所采用的方法的优缺点还需要具体评估。