点云引导滤波算法实现

引导滤波假设点云经过一个线性变换，具有很好的保留边缘信息功能。
参考文献：韩先锋博士学位论文《三维点云去噪处理及特征描述的研究》
伪代码：

代码是这样的

#include <iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_cloud.h>
#include<pcl/point_types.h>
#include<pcl/kdtree/kdtree_flann.h>
using point = pcl::PointXYZ;
using cloud = pcl::PointCloud<point>;
int main()
{cloud cloud_in, cloud_out;pcl::io::loadPCDFile<point>("noisedchair.pcd", cloud_in);if (!cloud_in.size())return 0;pcl::KdTreeFLANN<point>kdtree;unsigned int k = 20;//参数1double epsilon = 0.05;//参数2kdtree.setInputCloud(cloud_in.makeShared());for (size_t i = 0; i < cloud_in.size(); ++i){std::vector<int>indices(0,0);indices.reserve(k);std::vector<float>dist(0,0.0);cloud neigh_points;dist.reserve(k);if (kdtree.nearestKSearch(cloud_in.points[i], k, indices, dist) > 0){pcl::copyPointCloud(cloud_in, indices, neigh_points);point point_mean(0.0, 0.0, 0.0);double neigh_mean_2=0.0;for (auto neigh_point : neigh_points){point_mean.x += neigh_point.x;point_mean.y += neigh_point.y;point_mean.z += neigh_point.z;neigh_mean_2 += ((neigh_point.x) * double(neigh_point.x))+(double(neigh_point.y) * double(neigh_point.y))+(double(neigh_point.z) * double(neigh_point.z));}point_mean.x /= neigh_points.size();point_mean.y /= neigh_points.size();point_mean.z /= neigh_points.size();neigh_mean_2 /= neigh_points.size();double point_mean_2 = (point_mean.x * point_mean.x) + (point_mean.y*point_mean.y) +( point_mean.z * point_mean.z);double a = (neigh_mean_2 - point_mean_2) / (neigh_mean_2 - point_mean_2 + epsilon);point b;b.x = (1.0 - a) * point_mean.x;b.y = (1.0 - a) * point_mean.y;b.z = (1.0 - a) * point_mean.z;point smoothed_point(0.0, 0.0, 0.0);smoothed_point.x =a* cloud_in.points[i].x + b.x;smoothed_point.y = a * cloud_in.points[i].y + b.y;smoothed_point.z = a * cloud_in.points[i].z + b.z;cloud_out.push_back(smoothed_point);}}cloud_out.width = cloud_out.size();cloud_out.height = 1;cloud_out.resize(double(cloud_out.width) * double(cloud_out.height));pcl::io::savePCDFile<point>("smoothed_chair.pcd", cloud_out);std::cout << "Hello World!\n";
}

效果是这样的：
原始带噪点点云：

去噪后点云：

点云引导滤波算法实现相关推荐

引导滤波算法理论及公式的推导
高斯滤波考虑了像素间的距离关系,会模糊边缘: 双边滤波同时考虑了像素间的距离关系以及相似度关系,对于边缘有一定的保护(边缘同侧相速度高).引导滤波同样是保边滤波,由于直接判断梯度,细节的保护上比双边滤 ...
数字图像处理——引导滤波
一.概述引导滤波是由何恺明等人于2010年发表在ECCV的文章<Guided Image Filtering>中提出的,后续于2013年发表.引导过滤器根据局部线性模型原理,通过考虑引导 ...
点云平面提取_基于LiDAR点云数据滤波方法
基于LiDAR点云数据滤波方法机载激光雷达所获取的数据被称为"点云(points cloud)"它在三维空间中呈现出随机分布的形状.在点云中,有些点属于真实的地形表面的点,有些点 ...
【激光雷达】之点云数据滤波处理
一.引言激光雷达系统组成激光雷达是采用激光特性和光电探测手段相结合的成像方法,相比于相机等,是一种采用激光作为载体的主动成像设备.大多数激光雷达主体由四个组成部分,分别为:发射,接收,控制,信号处 ...
基于FPGA的引导滤波并行加速实现
前面一篇文章中,已经详细的分析了引导滤波的理论,公式的推导,以及和双边滤波的对比分析,即在边缘的处理上双边滤波会引起人为的黑/白边.我们已经知道何博士引导滤波的优秀之处,那么本篇文章,我带你推演,如何 ...
Guided image filtering(引导滤波)
摘要本文提出了一种新的显式图像滤波引导滤波器.引导滤波器从局部线性模型中导出,通过考虑引导图像的内容(可以是输入图像本身,也可以是另一个不同的图像)来生成滤波输出图像.那个引导滤波器可以像流行的 ...
点云处理关键算法剖析及实现（涉及滤波、分割、配准、识别、重建）
01 背景介绍计算机视觉的最终体现是三维视觉,而三维视觉的表达方式则是点云,点云处理在整个三维视觉领域占有非常重要的地位,几乎涉及到所有相关领域,例如自动驾驶感知定位.SLAM.三维场景重建.AR/ ...
利用联合双边滤波或引导滤波进行升采样(Upsampling)技术提高一些耗时算法的速度。...
这十年来,在图像处理领域提出了很多新的图像分析和处理方法,包括是自动的以及一些需要有人工参与的,典型的比如stereo depth computations.image colorization.to ...
matlab双边滤波处理点云,常见点云滤波算法
姓名:张志文学号:19021210649 [嵌牛观察] 目前点云处理的算法十分的多,不同的滤波算法有着不同的应用方向 [嵌牛鼻子] 点云:滤波 [嵌牛提问] 常见的点云滤波算法有哪些? [嵌牛正文] ...

点云引导滤波算法实现

点云引导滤波算法实现相关推荐

最新文章

热门文章