PCl点云滤波(1)直通滤波、体素滤波、均匀采样、统计滤波

最新推荐文章于 2025-05-29 16:21:38 发布
最新推荐文章于 2025-05-29 16:21:38 发布
阅读量490 收藏 3
点赞数 1
CC 4.0 BY-SA版权
文章标签： c++ 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/anywhereyouare/article/details/132898080
博客主要介绍了C++中几种点云滤波方法。包含一个可视化函数，详细阐述了pcl::PassThrough直通滤波、体素滤波pcl::VoxelGrid、均匀采样UniformSampling和统计滤波的所需头文件、代码实现流程，还给出了各滤波方法的输出结果，最后有主函数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一个可视化函数

void viewPort2(pcl::PointCloud<pcl::PointXYZ>::Ptr inputCloud, pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered)
{
	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("滤波前后对比"));

	/*-----视口1-----*/
	int v1(0);
	viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1); //设置第一个视口在X轴、Y轴的最小值、最大值，取值在0-1之间
	viewer->setBackgroundColor(0, 0, 0, v1); //设置背景颜色，0-1，默认黑色（0，0，0）
	viewer->addText("befor_filtered", 10, 10, "v1_text", v1);
	viewer->addPointCloud<pcl::PointXYZ>(inputCloud, "befor_filtered_cloud", v1);

	/*-----视口2-----*/
	int v2(0);
	viewer->createViewPort(0.5, 0.0, 1.0, 1.0, v2);
	viewer->setBackgroundColor(0.3, 0.3, 0.3, v2);
	viewer->addText("after_filtered", 10, 10, "v2_text", v2);
	viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered, "after_filtered_cloud", v2);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "befor_filtered_cloud", v1);
	//设置点云的颜色为红色
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "befor_filtered_cloud", v1);

	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "after_filtered_cloud", v2);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "after_filtered_cloud", v2);
	viewer->resetCamera();
	viewer->spin();
	while (!viewer->wasStopped())
	{
		viewer->spinOnce();
	}
}

1、pcl::PassThrough直通滤波

1.1 所需头文件

#include <pcl/filters/passthrough.h>

1.2 代码实现
流程：读入点云->创建直通滤波器->设置滤波字段->执行->保存并可视化

/*
* 接对点云的X、Y、Z轴的点云坐标约束来进行滤波，可以约束只在Z轴，或者XYZ三个坐标轴共同约束来达到点云滤波效果。
* 算法原理：对指定的某一维度进行滤波，去掉用户指定字段范围内（或外）的点
*/
void pcdPassthrough(pcl::PointCloud<pcl::PointXYZ>::Ptr inputCloud)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_z(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_y(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云

	cout << "<-正在进行直通滤波->" << endl;
	pcl::PassThrough<pcl::PointXYZ> pt;	// 创建直通滤波器对象
	pt.setInputCloud(inputCloud);				//设置输入点云
	pt.setFilterFieldName("z");			//设置滤波所需字段z
	pt.setFilterLimits(-3, 10);		//设置y字段过滤范围
	pt.setFilterLimitsNegative(true);	//默认false，保留范围内的点云；true，保存范围外的点云
	pt.filter(*cloud_filtered_z);			//执行滤波，保存滤波后点云

	pt.setFilterFieldName("y");			//设置滤波所需字段y
	pt.setFilterLimits(-3, 10);		//设置y字段过滤范围
	pt.setFilterLimitsNegative(true);	//默认false，保留范围内的点云；true，保存范围外的点云
	pt.filter(*cloud_filtered_y);			//执行滤波，保存滤波后点云

		///保存滤波后点云
	cout << "<-正在保存点云->\n";
	if (cloud_filtered_z->empty() || cloud_filtered_y->empty())
	{
		PCL_ERROR("保存点云为空!\n");
		return ;
	}
	else
	{
		pcl::io::savePCDFileBinary("../pcdFile//z_cloud_filtered.pcd", *cloud_filtered_z);
		cout << "\t\t<字段z滤波后点云信息>\n" << *cloud_filtered_z << endl;
		pcl::io::savePCDFileBinary("../pcdFile//y_cloud_filtered.pcd", *cloud_filtered_y);
		cout << "\t\t<字段y滤波后点云信息>\n" << *cloud_filtered_y << endl;
	}
	//================================= 滤波前后对比可视化 =================================

	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("滤波前后对比"));

	/*-----视口1-----*/
	int v1(0);
	viewer->createViewPort(0.0, 0.0, 0.333, 1.0, v1); //设置第一个视口在X轴、Y轴的最小值、最大值，取值在0-1之间
	viewer->setBackgroundColor(0, 0, 0, v1); //设置背景颜色，0-1，默认黑色（0，0，0）
	viewer->addText("befor_filtered", 10, 10, "v1_text", v1);
	viewer->addPointCloud<pcl::PointXYZ>(inputCloud, "befor_filtered_cloud", v1);

	/*-----视口2-----*/
	int v2(0);
	viewer->createViewPort(0.3, 0.0, 0.666, 1.0, v2);
	viewer->setBackgroundColor(0.3, 0.3, 0.3, v2);
	viewer->addText("z_after_filtered", 10, 10, "v2_text", v2);
	viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered_z, "z_after_filtered_cloud", v2);


	/*-----视口3-----*/
	int v3(0);
	viewer->createViewPort(0.666, 0.0, 1.0, 1.0, v3);
	viewer->setBackgroundColor(0.4, 0.3, 0.5, v3);
	viewer->addText("y_after_filtered", 10, 10, "v3_text", v3);
	viewer->addPointCloud<pcl::PointXYZ>(cloud_filtered_y, "y_after_filtered_cloud", v3);
	/*-----设置相关属性-----*/
	//设置点云的点大小为 2 个单位。这将使点云中的每个点显示为较大的点。
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "befor_filtered_cloud", v1);
	//设置点云的颜色为红色
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 0, 0, "befor_filtered_cloud", v1);

	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "z_after_filtered_cloud", v2);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "z_after_filtered_cloud", v2);


	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "y_after_filtered_cloud", v3);
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.21, 0.35, 0.15, "y_after_filtered_cloud", v3);
	viewer->resetCamera();
	viewer->spin();
	while (!viewer->wasStopped())
	{
		viewer->spinOnce();
	}
}

1.3 输出结果：
在这里插入图片描述

2、体素滤波pcl::VoxelGrid

2.1 所需要的头文件

#include <pcl/filters/voxel_grid.h>

2.2 代码实现

/*
*创建一个三维体素栅格->在每个体素(三维立方体)里面，求取该立方体内的所有点云重心点来代表这个立方体的表示，以此达到下采样的目的。
*/
void pcdVoxelGrid(pcl::PointCloud<pcl::PointXYZ>::Ptr inputCloud)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云
	cout << "<-正在体素下采样->" << endl;
	pcl::VoxelGrid<pcl::PointXYZ> vg;	//创建滤波器对象
	vg.setInputCloud(inputCloud);		//设置待滤波点云
	vg.setLeafSize(0.5f, 0.6f, 0.6f);	//设置体素大小
	vg.filter(*cloud_filtered);			//执行滤波，保存滤波结果在cloud_filtered

	cout << "\t\t<滤波后的点云信息>\n" << *cloud_filtered << endl;
	cout << "inputCloud - cloud_filtered = " << inputCloud->width * inputCloud->height - cloud_filtered->width * cloud_filtered->height << endl;
	viewPort2(inputCloud, cloud_filtered);
}

2.3 输出结果
在这里插入图片描述

3、均匀采样UniformSampling

3.1 所需要的头文件

#include <pcl/keypoints/uniform_sampling.h>

3.2 代码实现

/*
* 对点云数据创建一个滤波球体，然后在每个体素保留一个最接近体素中心的点，代替体素中所有点。
*/
void pcdUniformSampling(pcl::PointCloud<pcl::PointXYZ>::Ptr inputCloud)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云
	cout << "<-均匀下采样->" << endl;
	pcl::UniformSampling<pcl::PointXYZ> us;	//创建均匀采样滤波器对象
	us.setInputCloud(inputCloud);		//设置待滤波点云
	us.setRadiusSearch(3.0f);	//设置滤波球半径
	us.filter(*cloud_filtered);			//执行滤波，保存滤波结果在cloud_filtered

	cout << "\t\t<滤波后的点云信息>\n" << *cloud_filtered << endl;
	cout << "inputCloud - cloud_filtered = " << inputCloud->width * inputCloud->height - cloud_filtered->width * cloud_filtered->height << endl;
	viewPort2(inputCloud, cloud_filtered);
}

3.3 输出结果
在这里插入图片描述

4、统计滤波

4.1 所需头文件

#include <pcl/filters/statistical_outlier_removal.h>

4.2 代码实现

/*
对每一点的邻域进行统计分析，基于点到所有邻近点的距离分布特征，过滤掉一些不满足要求的离群点。
弊端：
	是对于离群点具有小范围聚集的情况，算法为保证过滤效果需要更大的耗时；二是在过滤离群点的同时，会把边界点过滤。
*/
void pcdSOR(pcl::PointCloud<pcl::PointXYZ>::Ptr inputCloud) {
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云
	cout << "<-统计滤波->" << endl;
	pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;	//创建统计滤波器对象
	sor.setInputCloud(inputCloud);		//设置待滤波点云
	sor.setMeanK(20);	//设置查询点近邻点的个数
	sor.setNegative(true);//默认false，保存内点；true，保存滤掉的离群点
	sor.setStddevMulThresh(0.1);//设置标准差乘数，来计算是否为离群点的阈值
	sor.filter(*cloud_filtered);			//执行滤波，保存滤波结果在cloud_filtered

	cout << "\t\t<滤波后的点云信息>\n" << *cloud_filtered << endl;
	cout << "inputCloud - cloud_filtered = " << inputCloud->width * inputCloud->height - cloud_filtered->width * cloud_filtered->height << endl;

	viewPort2(inputCloud, cloud_filtered);
}

4.3 输出结果
在这里插入图片描述
在这里插入图片描述

主函数

int main()
{
	// 输入点云 源点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);			
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);	//滤波后点云

	///读入点云
	cout << "<-正在读入点云->" << endl;
	string cloudPath = "../pcdFile//001.pcd";
	if (pcl::io::loadPCDFile(cloudPath, *cloud) < 0)
	{
		PCL_ERROR("点云文件不存在！\n");
		system("pause");
		return -1;
	}
	cout << "\t\t<读入点云信息>\n" << *cloud << endl;

	//pcdVoxelGrid(cloud);
	pcdSOR(cloud);
	return 0;
}
PCL 点云体素滤波
纵马踏花向自由
10-05 1341
体素滤波（Voxel Grid Filter） 是一种常用的点云降采样方法。它通过将点云划分为固定大小的三维网格（体素），然后用每个体素内的点的代表值（如质心）来代替体素内的所有点，从而达到减少点云数据量的目的。
PCL体素滤波器【2024最新版】
热门推荐
点云侠的博客
06-08 39万+
PCL实现的VoxelGrid类和ApproximateVoxelGrid体素滤波，详细记录。博客长期更新，本文最近一次更新时间为：2024年12月16日。
PCL体素滤波
zhengshunkai的博客
07-11 2350
头文件: #include <pcl/filters/voxel_grid.h> 函数示例: void pclDownsize(pcl::PointCloud<pcl::PointXYZ>::Ptr in, pcl::PointCloud<pcl::PointXYZ>::Ptr out) { pcl::VoxelGrid<pcl::PointXYZ...
PCL点云处理：体素栅格滤波器详解与应用
最新发布
weixin_34725745的博客
05-29 826
点云处理是计算机视觉和三维成像领域的一项关键技术，它通过分析由激光雷达（LiDAR）、结构光、立体视觉等技术获取的三维数据点集，实现物体表面形状的重建、特征提取、物体识别等任务。PCL（Point Cloud Library）是一个开源的高性能库，广泛应用于机器人、增强现实、地理信息系统和计算机视觉等多个领域。在点云处理领域，PCL提供了从数据获取、滤波、分割、表面重建到物体识别等一系列强大的工具和算法，使得点云数据的处理变得更为高效和精确。
PCL体素滤波（voxel_grid）
xhm01291212的博客
08-02 895
将整体点云体素化为一个三维体素栅格，使用每个体素栅格的近似代表该体素块。（1）对点云按照输入的立方体进行体素化处理，将所有的点云点分布进一个一个的小体素块中。（2）计算每个体素块的（注意要区别于体素滤波计算中心点）。（3）所有计算出的体素块质心点组成组成新的点云点，合并得到最终结果。如何理解体素化：如下图，将整体点云体素化为多个小体素块，用一个个正方形的小块代表该范围内的点云。
PCL 体素滤波（C++详细过程版）
点云侠的博客
01-16 1469
为充分了解体素滤波算法实现的每一个细节和有待改进的地方，使用C++代码对算法实现过程进行复现。
三维点云体素滤波python_点云滤波之直通滤波与体素法滤波
weixin_39855186的博客
12-19 1221
今天呢，想和大家聊一聊点云滤波处理的相关模块。我对点云模块了解得也不算深入，此处单纯地想和大家分享一下这几天我所学习到的点云滤波知识，如有不到之处，还请后台留言多多指正。在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，点云数据中将不可避免地出现一些噪声点。这便需要我们队点云进行后处理。在点云的处理流程中，滤波处理作为预处理的第一步，往往对后续处理管道影响最大，只有在滤波预处理中将...
PCL点云库入门——PCL库点云滤波算法之体素滤波（VoxelGrid）
qq_36812406的博客
12-28 3021
体素滤波VoxelGrid算法是一种专门用于三维点云数据简化的有效方法。其核心思想是通过将三维空间划分为一系列等大的立方体单元，即体素（Voxel），来减少点云数据的密度。具体来说，算法首先设定一个体素的大小，这个大小决定了数据简化的程度。体素越大，保留的点云数据越少，数据简化程度越高；反之，体素越小，保留的点云数据越多，数据简化程度越低。然后，算法将原始的点云数据映射到这些体素中。对于每个体素，算法计算其内部所有点的质心（或平均位置），并将该质心点作为该体素的代表点。
PCL：点云滤波汇总：算法原理 + 代码实现
孙悟空
03-08 2万+
PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如：直通滤波、统计滤波、双边滤波、基于随机采样一致性滤波等。下面对PCL各种滤波方法做一些归纳总结，方便日后使用。
PCL点云库入门——PCL库点云滤波算法之直通滤波（PassThrough）和条件滤波（ConditionalRemoval）
qq_36812406的博客
12-25 2520
PCL点云库中的滤波算法是处理点云数据不可或缺的一部分，它们能够有效地去除噪声、提取特征或进行数据降维。例如，使用体素网格滤波（VoxelGrid）可以减少点云数据量，同时保留重要的形状特征。此外，统计滤波器（StatisticalOutlierRemoval）能够识别并移除离群点，这对于清理数据集中的异常值非常有用。
PCL——点云滤波
emm@amiao的博客
09-02 1420
1、使用直通滤波器对点云进行滤波处理 对指定的某一维度实行一个简单的滤波，即去掉在用户指定范围内部（或外部）的点 代码实现： #include <iostream> #include <pcl/point_types.h> #include <pcl/filters/passthrough.h> int main (int argc, char** argv...
PCL 体素滤波：优化点云数据处理的强大工具
HackWhisper的博客
08-15 925
通过使用PCL的体素滤波功能，我们可以方便地对点云数据进行处理，为后续的点云分析和应用提供了强大的基础工具。体素滤波是一种基于体素格子的降采样方法，通过将点云数据划分为多个体素格子，并在每个格子中只保留一个代表性的点，从而实现数据的降采样。计算每个格子中的代表性点：对于每个格子，根据其中的点云数据计算一个代表性的点。输出降采样后的点云数据：将每个格子中的代表性点集合起来，形成降采样后的点云数据。将点云数据分配到对应的格子中：遍历输入的点云数据，将每个点分配到对应的格子中。，并填充了相应的点云数据。
PCL体素滤波（在windows+vs2017下实现）
生活如此美好，致敬每一个热爱“热爱”的人！
08-18 1136
体素滤波器（下采样）： 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，但是会移动点的位置。 此外体素滤波器可以去除一定程度的噪音点及离群点。主要功能是用来进行降采样。 （1）它的原理是根据输入的点云，首先计算一个能够刚好包裹住该点云的立方体，然后根据设定的分辨率，将该大 立方体分割成不同的小立方体。对于每一个小立方体内的点，计算他们的质心，并用该质心的坐标来近似该立方体内的若干点。 （2）ApproximateVoxelGrid的不同在于这种方法是利用每一个小立方体的中心来近似该立方体
PCL VoxelGrid 体素滤波器
weixin_39354845的博客
12-05 783
体素滤波和下采样滤波是一样的，对于点云只不过创建一个三维的体素格栅，用每个体素的重心近似体素中的其他的点。
PCL点云体素滤波器：高效处理三维点云数据的工具
TechPulseZ的博客
08-17 207
它将点云数据划分成等大小的体素（或称为格子）网格，并计算每个体素内所有点的平均值，并用该平均值替代原始点云数据。它通过将点云数据分割成规则的体素网格，并对每个体素内的点云进行滤波，从而实现降噪和数据压缩的目的。总之，点云体素滤波器是一种常用的处理三维点云数据的工具。通过将点云数据划分成规则的体素网格，并对每个体素内的点云进行滤波，我们可以实现降噪和数据压缩的目的。使用PCL库中的VoxelGrid滤波器，我们可以方便地实现点云体素滤波，并获得高效的滤波效果。类型的点云对象，并从文件中加载点云数据。
PCL快速体素滤波
HvnJava的博客
09-23 240
快速体素滤波（VoxelGrid）是点云库（Point Cloud Library，PCL）中的一种常用滤波算法，用于对点云数据进行降采样处理。本文将介绍快速体素滤波的原理和使用方法，并提供相应的源代码示例。通过快速体素滤波，我们可以对点云数据进行有效的降采样处理，以提高后续处理的效率。使用PCL库提供的丰富功能，我们可以进行更多高级的点云处理和分析操作。快速体素滤波通过将点云数据划分为三维体素网格，然后在每个体素中选择一个代表性的点作为滤波结果。在输出部分，我们分别输出了原始点云和滤波后的点云的大小。
PCL体素中心点滤波（approximate_voxel_grid）
xhm01291212的博客
07-25 558
将整体点云体素化为一个三维体素栅格，使用每个体素栅格的近似代表该体素块。体素化解释：如下图，将整体点云体素化为多个小体素块，用一个个正方形的小块代表该范围内的点云。
PCL点云滤波之体素滤波
happy、day
02-09 671
体素采样主要用于减少点云的规模，同时尽可能保留点云的几何特性。它将点云划分为固定大小的三维网格（体素网格），然后对每个网格内的点进行聚合来生成新的点云。该方法广泛用于3D点云预处理，以提高点云处理效率。
PCL 快速体素滤波（C++详细过程版）
点云侠的博客
01-18 1409
体素滤波需要计算体素内所有点的质心，数据量很大的情况下，遍历计算体素内所有点的质心是影响算法效率的重要因素。因此可以对体素质心的计算方法进行适当的改进。
PCL点云滤波
05-14
以下是基于PCL库的点云滤波实现方法及示例代码，结合直通滤波、体素滤波、统计滤波和半径滤波四种典型场景： --- ### 一、直通滤波（PassThrough Filter） **应用场景**：去除指定坐标轴范围外的点云数据（如截取...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值