【PCL】教程 statistical_removal.cpp 移除统计学上的异常值（outliers）来清洗数据

最新推荐文章于 2025-03-25 19:49:48 发布
最新推荐文章于 2025-03-25 19:49:48 发布
阅读量352 收藏 3
点赞数 5
文章标签： java 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/cxyhjl/article/details/138362621
版权
这段C++代码通过PCL库实现点云数据的预处理，移除统计学异常值，先读取table_scene_lms400.pcd文件，应用StatisticalOutlierRemoval滤波器，然后保存滤波后的点云和离群值点云到另外两个PCD文件。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

099558df04e699c0b5585e18e4afee8c.png

[done, 960.866 ms : 460400 points]
Available dimensions: x y z intensity distance sid

table_scene_lms400.pcd

1d7d1649d7bfb761919cfcee89b5735b.png

[done, 1414.24 ms : 451410 points]
Available dimensions: x y z

table_scene_lms400_inliers.pcd

7e819c7f5178c1d34e620a05dae2a8d8.png

[done, 412.985 ms : 8990 poin
最低0.47元/天 解锁文章
PCL 点云离群值去除（StatisticalOutlierRemoval过滤器）
weixin_43896283的博客
05-01 998
StatisticalOutlierRemoval过滤器是一种常用的点云滤波方法，它的作用是去除点云中的异常离群点。该滤波器基于统计学原理，通过计算每个点与其邻近点的统计参数，判断该点是否为离群点。
第 3 章：PCL StatisticalOutlierRemoval（统计离群点滤波）
最新发布
yumeiguo的博客
04-24 197
它通过统计每个点与其邻近点之间的距离，计算其是否“偏离”整体分布，如果偏离过大，则将其视为异常点剔除。用于清洗 LiDAR、RGBD 相机等获取的点云数据；设置太大：局部异常也会被认为“正常”；可用于实时点云清洗（但效率不如快速法）；原始点云存在明显“飞点”或孤立异常值；常用于点云预处理、建模、配准前清洗。所有点的这些均值构成一个整体的分布；，用于消除点云中的孤立点或噪声点。点云中存在孤立噪声、传感器误测点；计算这些邻点到当前点的距离的。滤波后这些离群点被有效移除；点云轮廓更光滑、密度更稳定；
【pcl入门教程滤波系列】之StatisticalOutlierRemoval
AutoXTruck专栏
09-01 2173
简介 　　激光雷达扫描周围环境时候通常会产生不同点密度的数据集。同时，如果测量偏差(例如抖动、传感器安装位置偏差)将会导致更加稀疏的异常值出现，从而使点云生成结果质量更差。这样将会导致局部点云特征(如曲面法线或曲率变化)的估计更加复杂，很肯能导致估计出错误值。StatisticalOutlierRemoval算法通过对每个点的邻域进行统计分析，删除不符合特定标准的点，能够解决一些异常离群点的干扰。该算法对点云的异常值判断是通过输入点云的所有点到其邻域内距离分布的统计计算。对于每个点，都计算其到所有邻域距离的
PCL::StatisticalOutlierRemoval
qq_16758589的博客
06-06 376
默认是不输出保留和移除的点云Index的，如果需要获取移除的Index和保留的点，构造时要给一个默认参数，这样就会输出相应的Index。点云是一种描述周围环境离散式的三维表达，无论是采用视觉三维重建，还是采用激光扫描获取的三维空间点云，往往会获取到环境周边的杂乱无章的点云，我们可以通过场景构建避免大部分，但是多多少少都会有一些杂点。离群点滤波是一种常见的去除噪点的方法。它通过计算一个点的邻域内的点和该点的距离，来判断该点是否为噪点。如果该点距离邻域内的点的平均距离超过一定的阈值，则认为该点为噪点。
PCL教程-点云滤波之StatisticalOutlierRemoval滤波器
DayDayUp
09-11 6573
原文链接：Removing outliers using a StatisticalOutlierRemoval filterhttps://pcl.readthedocs.io/projects/tutorials/en/latest/statistical_outlier.html#statistical-outlier-removal点云数据：table_scene_lms400.pcdhttps://raw.github.com/PointCloudLibrary/data/master/t...
PCL点云滤波：StatisticalOutlierRemoval
u013925378的博客
10-30 2746
两种点云类型，均可以使用StatisticalOutlierRemoval进行滤波： StatisticalOutlierRemoval滤波原理：对每个点的邻域进行一个统计分析，并修剪掉那些不符合一定标准的点。稀疏离群点移除方法基于在输入数据中对点到邻近点的距离分布的计算。对每个点，我们计算其到所有邻近点的平均距离。假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围（由全...
PCL使用滤波器去除异常值
m0_50046535的博客
06-21 905
激光扫描通常会生成不同点密度的点云数据集。此外，测量误差会导致稀疏异常值，从而进一步破坏结果。这会使局部点云特征（例如表面法线或曲率变化）的估计复杂化，从而导致错误的值，进而可能导致点云配准失败。其中一些不规则性可以通过对每个点的邻域进行统计分析并修剪不符合特定标准的那些来解决。我们的稀疏异常值去除基于输入数据集中点到邻居距离分布的计算。对于每个点，我们计算从它到所有邻居的平均距离。通过假设结果分布是具有均值和标准偏差的高斯分布。首先，下载数据集table_scene_lms400.pcd 一、Statis
PCL中点云滤波器的使用（Filtering In PCL）
Asher_zheng的专栏
08-05 4289
1 开发环境配置 （1) VS2015 & PCL1.8.1 （2) 配置PCL头文件及库目录 Include: $(PCL_ROOT); $(PCL_ROOT)\include\pcl-1.8; $(PCL_ROOT)\3rdParty\Eigen\eigen3; $(PCL_ROOT)\3rdParty\FLANN\include; $(PCL_ROOT)\3rdParty\V...
PCL_Tutorial2-4.3.2-点云基于统计的异常值去除
qq_34792438的博客
07-27 2269
4.3.2-点云基于统计的异常值去除介绍代码详情处理结果代码链接 介绍 统计离群值删除过程更加精细。 首先，对于每个点，计算到其K个邻居的平均距离。 然后，如果我们假设结果是具有均值μ和标准偏差σ的正态（高斯）分布，则可以认为删除所有均值距离不在全局均值加偏差范围之内的点是安全的。 基本上，它对相邻点之间的距离进行统计分析，并修剪所有不被视为“正常”的部分（您可以使用算法的参数定义什么是“正常”）。 代码详情 #include <pcl/io/pcd_io.h> #include <pcl
PCL滤波工具之StatisticalOutlierRemoval深度分析
romagnoli13的博客
08-09 3350
PCL中用于点云滤波的一个工具是StatisticalOutlierRemoval 其大致的原理思路是： 1. 对每个点，我们计算它到它的K邻域内所有点的平均距离d。对输入点云中的每个点都进行这样的计算，即每个点都可以求得其对应的d，因此可以得到一个包含各点d值的数组，记为distance。 2. 对于输入点云中的所有点，假设得到distance数组中的各元素构成一个高斯分布，该数组即为一个样本，样本容量为点云包含的点数目。高斯分布曲线的形状由样本的均值和标准差决定，d值在标准范围（由样本的均值和方差
PCL统计滤波（statistical_outlier_removal）
xhm01291212的博客
08-02 973
统计滤波即：对点云中每个点进行邻域搜索，判断邻域搜索出的这块点云是否符合。根据给定的参数，如均值和方差等，剔除在高斯期望之外的点。（1）对点云。（2）点云中每个点进行邻域搜索，获取出的点云块。（3）根据给定的阈值（PCL统计滤波器阈值讲解在下文中），，剔除期望值之外的点；得到结果点云。
PCL使用StatisticalOutlierRemoval滤波器移除离群点
10-17
StatisticalOutlierRemoval滤波器主要可以用来剔除离群点，或者测量误差导致的粗差点。 滤波思想为：对每一个点的邻域进行一个统计分析，计算它到所有临近点的平均距离。假设得到的结果是一个高斯分布，其形状是由均值和标准差决定，那么平均距离在标准范围(由全局距离平均值和方差定义)之外的点，可以被定义为离群点并从数据中去除。
PCL入门系列 —— StatisticalOutlierRemoval 点云统计滤波
工业机器视觉
06-13 1109
基于当前点与邻域点数据的距离统计信息进行离群点判定并进行剔除，当噪声数据的空间点密度与有效区域的点密度差距较为明显时会有不错的滤波效果；
PCL学习笔记（十五）-- StatisticalOutlierRemoval滤波器移除离群点
不学会C++不改名
07-26 1028
一、简介 激光扫描通常会产生密度不均匀的点云数据集。另外，测量中的误差会产生稀疏的离群点，使效果更糟。估计局部点云特征（例如采样点出的法向量或者曲率变化率）的运算很复杂，这会导致错误的数值，反过来有可能导致点云的配准等后期处理失败。 以下方法可以解决其中部分问题：对每个点的邻域进行一个统计分析，并修剪掉那些不符合一定标准的点。我们的稀疏离群点一处方法基于输入数据中对点到临近点的距离分布的计算。对每个点，我们计算它到它的所有临近点的平均距离。假设得到的结果是一个高斯分布，其形状由均值和标准差决定，..
PCL—StatisticalOutlierRemoval 滤波器
zaibeijixing的专栏
03-25 1043
StatisticalOutlierRemoval 是 PCL 中一种基于统计学的离群点（噪声）去除方法，适用于去除点云中稀疏的异常点（如传感器噪声、漂浮物等）。
PCL：StatisticalOutlierRemoval 统计滤波
孙悟空
09-23 2640
本文介绍了PCL中统计滤波的原理与代码实现
PCL使用StaticalOutlierRemoval(统计分析滤波)进行滤波
自动驾驶行业学习、交流
08-08 1086
原理：对每个点找其到其K近邻的的点的距离的平均值d，所有的点的平均值应该呈现高斯分布（正态分布），其形状由均值和标准差决定，平均距离d在标准范围内 (由全局距离平均值<所有的d相加的和>和方差定义)之外的点，可以被定义为离群点并剔除。 代码： #include <iostream> #include <pcl/io/pcd_io.h> #include &...
PCL点云库入门——PCL库点云滤波算法之统计滤波（StatisticalOutlierRemoval）
qq_36812406的博客
01-01 1444
统计滤波算法是一种利用统计学原理对点云数据进行处理的方法。它主要通过计算点云中每个点的统计特性，如均值、方差等，来决定是否保留该点。算法首先会设定一个统计阈值，然后对点云中的每个点进行分析。如果一个点的统计特性与周围点的统计特性相差不大，即认为该点是可靠的，并将其保留；反之，如果一个点的统计特性与周围点相比差异较大，那么这个点可能是一个异常点或噪声点，算法会将其移除。通过这种方式，统计滤波算法能够有效地减少数据中的噪声和异常值，提高点云数据的质量。
点云库PCL学习笔记 -- 点云滤波Filtering -- 3. StatisticalOutlierRemoval 统计滤波器
杰尼君的博客
03-19 717
点云库PCL学习笔记 -- 点云滤波Filtering -- 3.StatisticalOutlierRemoval 统计滤波器1. StatisticalOutlierRemoval 统计滤波器代码2. 编译文件3. 测试 1. StatisticalOutlierRemoval 统计滤波器代码 StatisticalOutlierRemoval 统计滤波器代码pcl_visualizer_demo.cpp 2. 编译文件 设置编译文件CMakeLists.txt 编译 mkdir buil
平面点云内凹多边形轮廓提取
04-03
### 如何从平面点云数据中提取内凹多边形轮廓 #### 数据预处理 在进行内凹多边形轮廓提取之前，通常需要对原始点云数据进行预处理。这一步骤包括加载点云文件并对其进行去噪操作，从而减少不必要的干扰因素。通过使用PCL中的`pcl::VoxelGrid`类可以实现体素网格滤波器来降低点云密度，同时也可以应用统计异常值移除方法（Statistical Outlier Removal,SOR），以进一步提高数据质量[^1]。 #### 平面分割 完成初步的数据清理之后，下一步是从复杂的场景中分离出目标所在的平面区域。此过程可以通过随机抽样一致性算法RANSAC (Random Sample Consensus) 来达成，在PCL中有专门用于执行这一功能的模块 `pcl::SACSegmentation< PointT >` 。该函数能够识别最佳拟合给定点集的一个数学模型——在这里即为一个平面方程，并返回属于这个平面的所有点坐标集合。 #### 投影变换 一旦获得了代表感兴趣表面的子集后，则需将其转换到二维空间以便后续分析更加简便高效。为此可采用正交投影技术把三维点映射至选定基准面上；这样做的好处在于简化了几何运算难度同时也保留了原有拓扑关系不变性特征。 #### 凹壳构建 对于已经降维后的二维点群来说，现在面临的主要挑战是如何界定其外部界限尤其是当存在内部凹陷部分时更是如此。一种常用策略便是运用α-shape理论框架下的特定参数设定来进行逼近估计得到最终结果形式。另外还有诸如Graham Scan或者Melkman Algorithm等经典凸包生成方案经过适当修改也可适用于此类情形之下[^3]。 #### 后续优化与存储 最后阶段涉及到了一些细节上的调整比如消除冗余顶点序列、确保方向一致等等然后再按照指定格式导出成果文档供其他程序调用解析之用。 ```python import pclpy as pcl from vtk.util.numpy_support import numpy_to_vtkPoints def preprocess_cloud(cloud): vox = pcl.filters.VoxelGrid() sor = pcl.filters.StatisticalOutlierRemoval() # Apply voxel grid filter to downsample the cloud. filtered_cloud = vox.setInputCloud(cloud).setLeafSize(0.01, 0.01, 0.01).filter() # Remove statistical outliers from the point cloud. cleaned_cloud = sor.setInputCloud(filtered_cloud).setMeanK(50).setStddevMulThresh(1.0).filter() return cleaned_cloud def segment_plane(cleaned_cloud): seg = pcl.segmentation.SACSegmentation() coefficients = pcl.ModelCoefficients() inliers = pcl.PointIndices() seg.setOptimizeCoefficients(True) seg.setModelType(pcl.SACMODEL_PLANE) seg.setMethodType(pcl.SAC_RANSAC) seg.setMaxIterations(1000) seg.setDistanceThreshold(0.01) plane_inliers = seg.setInputCloud(cleaned_cloud).segment(inliers,coefficients)[0] extracted_plane = cleaned_cloud.extract(plane_inliers.indices,True) return extracted_plane def project_points(extracted_plane): pass # Implement projection logic here. if __name__ == "__main__": input_file_path="path/to/input.pcd" output_file_path="path/to/output.txt" original_cloud=pcl.io.loadPCDFile(input_file_path,"PointXYZ") processed_cloud=preprocess_cloud(original_cloud) segmented_plane=segment_plane(processed_cloud) projected_2d_points=project_points(segmented_plane) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值