经典点云去噪算法总结

关注

VIP免费原创最新推荐文章于 2026-07-31 13:38:15 发布 8.8k 阅读 AI 写同款· GEO 优化 ›

点云滤波(三)——EAR（边缘感知重采样）介绍这是点云滤波系列的第三篇学习笔记，在之前我们学习了非常经典的MLS算法（点云滤波（一）——MLS（移动最小二乘）/PSS介绍），以及为解决MLS不具备保持边缘问题所提出的变体RMLS（点云滤波（二）——RMLS（鲁棒移动最小二乘）介绍）。RMLS由于没有找到相关的开源代码，并且我对方法也存在一些疑惑，害怕复现出来依托答辩，所以就没有花时间去复现。但是寻找能够保持边缘的边缘的点云平滑算法依然是我目前面对的问题，因此我会继续找一些相关的论文进行学习并形成笔记。阅读详情

以下列出方法均有运行成功的代码，所有工程文件我都会放在如下链接：

https://github.com/gx-sun/classic-point-cloud-denoising-methods

欢迎star

持续补充中，目前最新为2021.12月。

1.移动最小二乘MLS

基于PCL

#include "stdafx.h"


#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/surface/mls.h>
int main(int argc, char** argv)
{// 将一个适当类型的输入文件加载到对象PointCloud中
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
	// 加载bun0.pcd文件，加载的文件在 PCL的测试数据中是存在的 
	pcl::io::loadPCDFile("bunny_hi_noise.pcd", *cloud);
	// 创建一个KD树
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	// 输出文件中有PointNormal类型，用来存储移动最小二乘法算出的法线
	pcl::PointCloud<pcl::PointNormal> mls_points;
	// 定义对象 (第二种定义类型是为了存储法线, 即使用不到也需要定义出来)
	pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;
	mls.setComputeNormals(true);
	//设置参数
	mls.setInputCloud(cloud);
	mls.setPolynomialFit(true);
	mls.setSearchMethod(tree);
	mls.setSearchRadius(0.06);
	// 曲面重建
	mls.process(mls_points);
	// 保存结果
	pcl::io::savePCDFile("bunny_hi_noise_mls.pcd", mls_points);
}

2.双边滤波

2.1基于PCL

实验编译成功了，但是因为其需要intensity分量，一般都没有，故无法运行

#include "stdafx.h"
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/filters/bilat

最低0.47元/天解锁文章

标签

#c++ #matlab

关于点云滤波去噪的方法为什么进行点云滤波处理：（1）点云数据密度不规则需要平滑（2）因为遮挡等问题造成离群点需要去除（3）大量数据需要下采样（4）噪声数据需要去除点云数据去噪滤波方法：双边滤波、高斯滤波、分箱去噪、KD-Tree、直通滤波、随机采样一致性滤波等方法定义以及适用性： 1.双边滤波：将距离和空间结构结合去噪，效果较好。只适用于有序点云 2.高斯滤波（标准差去噪）：适用于... 阅读详情

经典点云去噪算法总结

相关推荐