《点云处理》 去除点云无效点（Nah值）

前言

在使用3D相机，例如结构光相机和线扫相机（线结构光相机、线激光传感器）时，采集得到的点云中可能存在一些无效点，有可能x、y、z都为无效值，或者其中一个坐标值为无效值。那么在进行其他点云处理之前，则需要先剔除点云中无效点，仅保留有效点。

代码：

bool cpRemoveInfPoints(pcl::PointCloud<pcl::PointXYZ>& cloud)
{
    if (cloud.empty())
    {
        std::cout << "Error in [cpRemoveInfPoints]: Input cloud is empty" << std::endl;
        return false;
    }

    int ProfileSize = cloud.size();

    std::vector<int> indices;
    pcl::removeNaNFromPointCloud(cloud, cloud, indices);

    int PointSize = cloud.size();
    pcl::PointCloud<pcl::PointXYZ> cloud_temp;
    for (int j = 0; j < PointSize; ++j)
    {
        //pcl_isfinite
        if (isfinite(cloud.points[j].x) && isfinite(cloud.points[j].y) && isfinite(cloud.points[j].z))
        {
            cloud_temp.emplace_back(cloud.points[j]);
        }
    }
    cloud = cloud_temp;

    return true;
}

上述代码中，pcl::removeNaNFromPointCloud(cloud, cloud, indices);是PCL库内部实现的去除Nan值的方法。在此之后又多做了一层处理。需要包含头文件#include <pcl/filters/filter.h>。有关于这个方法的说明可以点击。

“这种方法的问题是它不会保持点云仍然是有序点云。所有的点云都存储一个“宽度”和“高度”变量。在无序点云，总数为宽度相同，而高度设置为1。在有序的点云（像从相机拍摄像传感器如Kinect或Xtion的），宽度和高度都相同的像素的图像分辨率传感器的工作。点云分布在深度图像的行中，每一个点对应一个像素。成员函数”isorganized()”如果高度大于1时返回真。
由于移除NaNs无效点会改变点云的点的数量，它不再能保持组织与原来的宽高比，所以函数将设置高度1。这不是一个大问题，只有少数的PCL的算法工作明确要求是有序的点云（大多这样情况下会使用在优化上），但你必须考虑其中的影响。”