最近研究了一下点云滤波的功能，所以写一篇笔记记录一下。

文章目录

• 一、点云滤波的意义
• 二、梯度滤波(Gradient)算法
• 三、CSF(Cloth Simulation Filter)过滤算法
• 四、Bilateral滤波算法

一、点云滤波的意义

在我们获取点云的时候，总会由于设备精度的限制、操作人员的人为因素和环境条件因素等带来的影响，以及电磁波衍射特性和数据进行拼接配准操作过程的影响，点云数据总会产生一些我们意想不到的噪声点。在点云处理流程中滤波处理作为预处理的第一步，往往对后续处理的影响很大，因此只有在滤波预处理中将噪声点、离群点等等按照后续处理定制，才能更好的进行配准、特征提取、曲面重建和可视化等后续的处理。

·而在PCL中总结了几种需要进行点云滤波处理的情况，这几种情况分别是：
(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)大量数据需要进行“下采样”(Downsample)。
(4)噪声数据需要去除。
·对应的解决方法是：
(1)按具体给定的规则限制过滤去除点。
(2)通过常用滤波算法修改点的部分属性。
(3)对数据进行下采样。

说了这么多，接下来就使用CloudCompare软件来进行简单的滤波处理。

二、梯度滤波(Gradient)算法

因为在CloudCompare软件中，我并没有找到现成的功能(指点击一下就自行处理)，所以我是用CC中的几个小功能结合在一起才能达到滤波的效果。
1、打开软件，加载数据。

这一步是在问我们是否要按照欧式距离来计算得出Gradient字段，这里我选择了是，因为当前字段是点云实体的高程字段。

三、CSF(Cloth Simulation Filter)过滤算法

该方法相较于之前的操作步骤相对而言简单了很多，其原理也非常的巧妙：是将扫描得到的点云进行倒置，然后用一种刚性布料覆盖翻转后的点云。通过分析布料节点与相应点云中的点之间的相互作用，可以确定布料节点的位置用以生成近似的地表形状，最后，再通过比较原始点云中的点和生成的布料曲面之间的距离，实现从点云实体中提取地面点。

最后效果：