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

背景

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。
在这里插入图片描述

二、代码

1.pclpy 官方给与`RadiusOutlierRemoval`

from pclpy import pcl
import numpy as np


def 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1
        cloud2: 点云数据2
    """
    viewer = pcl.visualization.PCLVisualizer("viewer")  # 建立可刷窗口对象 窗口名 viewer
    v0 = 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 np

def 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 pcd


if __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)