pclpy 半径滤波实现
- 一、算法原理
- 背景
- 二、代码
- 1.pclpy 官方给与`RadiusOutlierRemoval`
- 2.手写的半径滤波（速度太慢了，用官方的吧）
- 三、结果
- 1.左边为原始点云，右边为半径滤波后点云
- 四、相关数据
一、算法原理
RadiusOutlierRemoval是一个点云滤波器，用于从点云中去除离群点。它基于给定半径内的邻域点数量来识别和移除离群点。具体来说，对于每个点，它计算其半径范围内的邻域点数量。如果邻域内的点数量小于给定阈值，则认为该点是一个离群点，将其从点云中移除。
图有助于形象化RadiusOutlierRemoval 过滤器对象的作用。用户指定多个邻居，每个索引必须在指定半径内具有这些邻居才能保留在 PointCloud 中。例如，如果指定了 1 个邻居，则只会从 PointCloud 中删除黄色点。如果指定了 2 个邻居，那么黄色和绿色点都将从 PointCloud 中删除。
二、代码
1.pclpy 官方给与RadiusOutlierRemoval
from pclpy import pcl
import numpy as npdef compareCloudShow(cloud1, cloud2):"""Args:在一个窗口生成2个窗口可视化点云cloud1: 点云数据1cloud2: 点云数据2"""viewer = pcl.visualization.PCLVisualizer("viewer") # 建立可刷窗口对象 窗口名 viewerv0 = 1 # 设置标签名（0, 1标记第一个窗口）viewer.createViewPort(0.0, 0.0, 0.5, 1.0, v0) # 创建一个可视化的窗口viewer.setBackgroundColor(0.0, 0.0, 0.0, v0) # 设置窗口背景为黑色single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud1, 255.0, 0, 0.0) # 将点云设置为红色viewer.addPointCloud(cloud1, # 要添加到窗口的点云数据。single_color, # 指定点云的颜色"sample cloud1", # 添加的点云命名v0) # 点云添加到的视图v1 = 2 # 设置标签名（2代表第二个窗口）viewer.createViewPort(0.5, 0.0, 1.0, 1.0, v1) # 创建一个可视化的窗口viewer.setBackgroundColor(255.0, 255.0, 255.0, v1) # 设置窗口背景为白色single_color = pcl.visualization.PointCloudColorHandlerCustom.PointXYZ(cloud2, 0.0, 255.0, 0.0) # 将点云设置为绿色viewer.addPointCloud(cloud2, # 要添加到窗口的点云数据。single_color, # 指定点云的颜色"sample cloud2", # 添加的点云命名v1) # 点云添加到的视图# 设置点云窗口（可移除对点云可视化没有影响）viewer.setPointCloudRenderingProperties(0, # 设置点云点的大小1, # 点云像素"sample cloud1", # 识别特定点云v0) # 在那个窗口可视化viewer.setPointCloudRenderingProperties(0, # 设置点云点的大小1, # 点云像素"sample cloud2", # 识别特定点云v1) # 在那个窗口可视化viewer.addCoordinateSystem(1.0) # 设置坐标轴 坐标轴的长度为1.0# 窗口建立while not viewer.wasStopped():viewer.spinOnce(10)if __name__ == '__main__':# 读取点云数据cloud = pcl.PointCloud.PointXYZ()reader = pcl.io.PCDReader()reader.read('res/table_scene_lms400.pcd', cloud)print("点云数目：", cloud.size())# 创建ror滤波器(半径滤波)ror = pcl.filters.RadiusOutlierRemoval.PointXYZ() # 生成ror对象ror.setInputCloud(cloud) # 处理cloud点云ror.setRadiusSearch(0.01) # 设置搜索半径ror.setMinNeighborsInRadius(10) # 阈值ror.setKeepOrganized(True) # 是指定在滤波过程中是否保持点云的组织结构。当参数设置为False时，表示滤波器将不会保持点云的组织结构，而是直接删除离群点后重新组织点云数据。cloud_filtered = pcl.PointCloud.PointXYZ() # 建立点云对象ror.filter(cloud_filtered) # 将处理后的点云放入到 cloud_filtered# 可视化滤波效果compareCloudShow(cloud, cloud_filtered)
2.手写的半径滤波（速度太慢了，用官方的吧）
大家可以参考原理，便于理解半径滤波是怎么实现的。
from pclpy import pcl
import numpy as npdef myRadiusOutlier(pcd, radius, MinNeighbors):"""半径滤波"""points = pcd.xyz # 将点云转换为numpy数组save_seeds = [] # 保存筛选后点 不改变点云结构for seed in points:# 进行半径邻搜索 可以看open3d 半径最近邻搜索（KD-Tree 和 numpy的两种方法） open3d专栏index = np.where(((points[:, 0] - seed[0])**2 + (points[:, 1] - seed[1])**2 + (points[:, 2] - seed[2])**2) <= radius**2)[0]if MinNeighbors < len(index):save_seeds.append(seed)if len(save_seeds) != 0:return pcl.PointCloud.PointXYZ.from_array(save_seeds)return pcdif __name__ == '__main__':# 读取点云数据cloud = pcl.PointCloud.PointXYZ()reader = pcl.io.PCDReader()reader.read('res/happy.pcd', cloud)print("点云数目：", cloud.size())cloud_filtered = myRadiusOutlier(cloud, 0.01, 2)compareCloudShow(cloud, cloud_filtered)
三、结果
1.左边为原始点云，右边为半径滤波后点云
四、相关数据
open3d 半径最近邻搜索open3d 半径最近邻搜索（KD-Tree 和 numpy的两种方法）-CSDN博客
