在PCL中使用直通滤波器对点云进行滤波处理
在激光点云的采集过程中，因为设备和环境因素的影响，会出现一些噪点信息，例如点云数据中存在不合常理的坐标值；同时由于采集设备的有效距离的影响，对于距离较远的目标其反射的激光点云数据呈现过度离散的状态，不具备识别的可能，因此本文从目标对象本身的三维空间大小出发，通过统计方法对激光点云数据做一些过滤处理操作，过滤噪点和距离过远的点。
PCL官网代码是对随机产生的5个数据按设置参数进行滤波，代码如下：
#include <iostream>
#include <ctime>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>
int
main (int argc, char** argv)
{ srand(time(0));
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
//填入点云数据
cloud->width = 5;//设置点云宽度
cloud->height = 1;//设置点云高度，无序点云默认为1
cloud->points.resize (cloud->width * cloud->height);
for (size_t i = 0; i < cloud->points.size (); ++i)//为点云填充数据
{
cloud->points[i].x = rand () / (RAND_MAX + 1.0f)-0.5;
cloud->points[i].y = rand () / (RAND_MAX + 1.0f)-0.5;
cloud->points[i].z = rand () / (RAND_MAX + 1.0f)-0.5;
}
std::cout << "Cloud before filtering: " << std::endl;
for (size_t i = 0; i < cloud->points.size (); ++i)
std::cout << " " << cloud->points[i].x << " "
<< cloud->points[i].y << " "
<< cloud->points[i].z << std::endl;
// 创建滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;//设置滤波器对象
pass.setInputCloud (cloud);//设置输入点云
pass.setFilterFieldName ("z");//设置过滤时所需要点云类型的z字段
pass.setFilterLimits (-2.5, 1.0);//设置在过滤字段上的范围
//pass.setFilterLimitsNegative (true);//设置保留范围内的or过滤掉范围内的
pass.filter (*cloud_filtered);//执行滤波，保存过滤结果在cloud_filtered
std::cout<< "Cloud after filtering: " << std::endl;
for (size_t i = 0; i < cloud_filtered->points.size (); ++i)
std::cout << " " << cloud_filtered->points[i].x << " "
<< cloud_filtered->points[i].y << " "
<< cloud_filtered->points[i].z << std::endl;
system("pause");
return (0);
}
运行结果：
结果显示：随机产生点云数据，点云中Z坐标在（0，1）范围外的点将被过滤。
在此，本文将修改编译源代码，添加table_scene文件，进行直通滤波器对象滤波并可视化。
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>
int
main (int argc, char** argv)
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
// 填入点云数据
pcl::PCDReader reader;
// 把路径改为自己存放文件的路径
reader.read<pcl::PointXYZ> ("E:/PCLcode/PCLtest/table_scene_lms400.pcd", *cloud);
std::cerr << "Cloud before filtering: " << std::endl;
std::cerr << *cloud << std::endl;
// 创建直通滤波器对象
pcl::PassThrough<pcl::PointXYZ> pass;//设置滤波器对象
pass.setInputCloud (cloud);//设置输入点云
pass.setFilterFieldName ("z");//设置过滤时所需要点云类型的z字段
pass.setFilterLimits (-1.6, 0.0);//设置在过滤字段上的范围
//pass.setFilterLimitsNegative (true);//设置保留范围内的or过滤掉范围内的
pass.filter (*cloud_filtered);//执行滤波，保存过滤结果在cloud_filtered
std::cout<< "Cloud after filtering: " << std::endl;
std::cerr << *cloud_filtered << std::endl;
//剩下的数据（内部点）将被存入磁盘
pcl::PCDWriter writer;
writer.write<pcl::PointXYZ> ("table_scene_lms400（滤波）.pcd", *cloud_filtered, false);
pass.setNegative (true);
pass.filter (*cloud_filtered);
writer.write<pcl::PointXYZ> ("table_scene_lms400（滤除点）.pcd", *cloud_filtered, false);//将数据写回到磁盘
system("pause");
return (0);
}
执行上述代码：
滤波前点云有450400，直通滤波后，点云在（-1.6，0.0）以外的点被过滤（范围的选择与采集设备的位置紧密相关，应该弄清楚场景与采集设备之间的几何关系），剩余点云数量389481个。
接下来，利用cloud_viewer类对table_scene_lms400（滤波）.pcd，table_scene_lms400（滤除点）.pcd进行可视化。