3D感知（数据处理）

数据滤波与过滤：

滤波：叠加噪声数据的值进行修正，不去出噪声

过滤：去除噪声

3D数据滤波的方式：

基于深度图的滤波：

这里主要应用的是2D的CV算法，但是深度图对物体表面的采样是非均匀的（这是深度图的缺陷），所以传统的2D滤波对他们是不均匀的，并且在前后交界处失真会对后续处理带来影响

（在深度图滤波是针对相邻像素的，像素映射到点云空间中，会有距离不均匀的问题，所以说物体采样是非均匀的）

但是由于在深度图上操作比较简单，所以对上面的缺点，会采取一些处理来缓和带来的影响。

其一，针对边界的情况不进行滤波处理；

其二，根据曲面的局部法向量修改滤波核

下面是深度图的空域滤波（就是传统滤波），这里要求滤波模板的加权系数和==1

                                       

右图是滤波过后的。

还有中值和双边滤波，效果各有不同。类似二维图像处理。

对于差异加权项，可以采用不同的方案

以上是空域滤波对应的还有时域滤波的方法。

一般的有时域平均滤波，时域FIR滤波，IIR滤波（有损滤波器，结合当前输入的深度图和之前的深度图，通过遗忘因子，来控制滤波的效果，这个滤波会有拖尾现象）

还有是结合空域和时域的方法，叫做时空滤波。（可以滤波，并且解决拖尾现象）

---

点云滤波：

直接在点云上滤波，由于缺少了类似像素这样的结构，所以可以通过三角化来引入邻域，再选择合适的滤波。

常见的如Laplacian平滑（类似卷积核的操作）

对此也有相应的变体。

还有一个是基于移动最小二乘的方法。（对待平滑的点，利用它的邻域点云拟合光滑曲面，并用曲面上的点作为平滑结果）

 依次类比3D的情况。这里会有一个问题，再映射的时候是基于x,y,z坐标系的那么，会有下面的情况：

 对此改进措施：

 再点云上具体的操作步骤，可以有一下步骤：

 

---

基于深度图的噪声点过滤

深度图转化成点云后，再边界处经常会有飞边出现：

                                

对此，采用基于深度图的噪声点的过滤方法有

1.深度图边缘检测核切割，类似形态学处理的思想：

 2.基于深度图邻域像素值的方差的过滤：

再点云层次上滤波，可以用统计滤波的方式，对于这种离散点效果最好了。

 

---

点云降采样：

体像素格点降采样，类似于PCL的包围盒降采样算法。

最远距离点抽取算法

 最远距离点抽取算法：

这个是基于三角网格的采样方法。