匯總！三維點(diǎn)云去噪算法，涉及深度學(xué)習(xí)等
作者：PCIPG-晨藝 | 來源：3DCV
添加微信：CV3d007,備注：三維點(diǎn)云，拉你入群。文末附行業(yè)細(xì)分群。
1 什么是去噪
噪聲：也稱為孤立點(diǎn)/離群點(diǎn)/異常點(diǎn)，是指點(diǎn)云數(shù)據(jù)中的不相關(guān)或不希望存在的干擾信號(hào)或誤差。噪聲來源：環(huán)境光線的明亮程度、測(cè)量設(shè)備精度及系統(tǒng)誤差、物體材料及表面的紋理和人為抖動(dòng)等因素影響。
環(huán)境光線的明亮程度、測(cè)量設(shè)備精度及系統(tǒng)誤差、物體材料及表面的紋理和人為抖動(dòng)等因素。
在點(diǎn)云數(shù)據(jù)中，通過適當(dāng)?shù)臑V波和處理方法，去除無用或噪聲點(diǎn)，以提高數(shù)據(jù)質(zhì)量和準(zhǔn)確性的過程。
1 原理
去除明顯分布稀疏的離群點(diǎn)。根據(jù)給定均值與方差，可剔除方差之外的點(diǎn)，即方差之外的點(diǎn)是正確點(diǎn)。
2 舉例
一點(diǎn)云中有50個(gè)點(diǎn)，每個(gè)點(diǎn)的鄰近點(diǎn)個(gè)數(shù)設(shè)置為8，則50個(gè)點(diǎn)（8領(lǐng)域）的平均值計(jì)算如下：
3 核心代碼
—--統(tǒng)計(jì)濾波//創(chuàng)建濾波器。對(duì)每個(gè)點(diǎn)分析的臨近點(diǎn)的個(gè)數(shù)設(shè)置為50，并將標(biāo)準(zhǔn)差的倍數(shù)設(shè)置為1，這意味著如果一個(gè)點(diǎn)的距離超出了平均距離一個(gè)標(biāo)準(zhǔn)差以上，則該點(diǎn)被標(biāo)記為離群點(diǎn)，并將它移除，存儲(chǔ)起來pcl::Statistical0utlierRemowal<pcl?:?:?PointIYZ>Sor;sor.?setInputCloud?(cloud);//設(shè)置待波波的點(diǎn)云sor.setMeamK?(50);?????????//設(shè)置在進(jìn)行統(tǒng)計(jì)時(shí)考慮查詢點(diǎn)鄰近點(diǎn)數(shù)Sor.?setStddevMu1Thresh(1);?//設(shè)置判斷是否為高群點(diǎn)的閾值，里邊的數(shù)字表示標(biāo)準(zhǔn)差的倍數(shù)，1個(gè)標(biāo)準(zhǔn)差以上就是離群點(diǎn)。//即。當(dāng)判斷點(diǎn)的k近鄰平均距高(mean?distance)大于全局的1倍標(biāo)準(zhǔn)差+平均距離(global?distances?meanm?and?standard)，則為離群點(diǎn)。
1 原理
根據(jù)點(diǎn)云的屬性（屬性比如x，y，z，顏色值等），在點(diǎn)的屬性上設(shè)置范圍，對(duì)點(diǎn)進(jìn)行濾波，保留范圍內(nèi)的或保留范圍外的，則去除離群點(diǎn)。
2 舉例
在一個(gè)點(diǎn)云數(shù)據(jù)中，取z軸0~1范圍內(nèi)的點(diǎn)云進(jìn)行保存。
3 核心代碼
//創(chuàng)建濾波器對(duì)象pcl::PassThrough<pcl::PointXYZ>?pass;pass.setInputCloud?(c1oud);pass.setFi1terFie1dName?("z");//濾波字段名被設(shè)置為z軸方向pass.setFi1terLimits?(0.0，1.0);//設(shè)置在過濾方向上的過濾范圍//?pass.setKeepOrganized(true);//保持有序點(diǎn)云結(jié)構(gòu)，該功能用于有序點(diǎn)云才有意義。pass.setNegative?(true);//設(shè)置保留范圍內(nèi)的點(diǎn)還是過濾掉范圍內(nèi)的點(diǎn)，標(biāo)志為false時(shí)保留范圍內(nèi)的點(diǎn)
1 原理
設(shè)定濾波半徑，計(jì)算每個(gè)點(diǎn)在其半徑范圍內(nèi)的其他點(diǎn)的個(gè)數(shù)。半徑范圍內(nèi)其他點(diǎn)個(gè)數(shù)少于某一設(shè)定的閾值的點(diǎn)將被濾除。
2 舉例設(shè)置半徑為d，分別考察黃藍(lán)綠三點(diǎn)，若點(diǎn)個(gè)數(shù)的閾值為1，則黃色點(diǎn)將被濾除；若閾值為2，則黃色點(diǎn)和綠色點(diǎn)都將被濾除。
ror.setInputC1oud(c1oud_in);?????//輸入點(diǎn)云ror.setRadiusSearch(0.1);????????//設(shè)置半徑為0.1m范圍內(nèi)找臨近點(diǎn)ror.setMinNeighborsInRadius(10);?//?設(shè)置查詢點(diǎn)的鄰域點(diǎn)集數(shù)小于10刪除ror.fi1ter(*cloud_radius);???????//執(zhí)行濾波
1 原理
根據(jù)點(diǎn)云數(shù)據(jù)的某些屬性或特征進(jìn)行篩選，可以一次刪除滿足對(duì)輸入的點(diǎn)云設(shè)定的一個(gè)或多個(gè)條件指標(biāo)的所有的數(shù)據(jù)點(diǎn)，如點(diǎn)的法線方向、點(diǎn)的強(qiáng)度值、點(diǎn)的顏色等屬性來篩選點(diǎn)云數(shù)據(jù)。
條件濾波和直通濾波的區(qū)別：
條件濾波基于點(diǎn)的任何屬性或特征進(jìn)行篩選，而直通濾波只能基于軸向范圍進(jìn)行篩選。
1 原理
是常用的非線性濾波方法，用于去除圖像或信號(hào)中的噪聲。它通過將像素值替換為其鄰域窗口內(nèi)的中值來實(shí)現(xiàn)去噪的效果。
2 步驟
定義一個(gè)固定大小的鄰域窗口，通常是一個(gè)正方形或矩形窗口。
將窗口內(nèi)的像素值按照從小到大的順序進(jìn)行排序。
取排序后的像素值的中間值作為中心像素的新值，用于替換原始像素值。
對(duì)圖像中的每個(gè)像素都應(yīng)用上述步驟，以完成中值濾波。
如下圖3×3的內(nèi)核（也可看做窗口，或者模版）：
1 原理
是一種常用的線性濾波方法，通過計(jì)算鄰域窗口內(nèi)像素值的平均值來實(shí)現(xiàn)去噪的效果。但會(huì)破壞圖像細(xì)節(jié)，使圖像變得模糊。
2 舉例
3×3的內(nèi)核（也可看做窗口，或者模版）中，包含了9個(gè)點(diǎn)及對(duì)應(yīng)像素值。在對(duì)該區(qū)域進(jìn)行濾波過程為：對(duì)P1~P9九個(gè)像素的灰度值求平均，代替中間P5的灰度值。
中值濾波能夠更好地處理脈沖噪聲或孤立的離群點(diǎn)，因?yàn)樗x擇中值作為替代值，而不受異常值的影響。
中值濾波去除脈沖噪聲或孤立的離群點(diǎn)，均值濾波能夠平滑信號(hào)或圖像。
相比之下中值濾波運(yùn)行速度更快
1 原理
將點(diǎn)投影到一個(gè)參數(shù)化模型上，這個(gè)參數(shù)化模型可以是平面、圓球、圓柱、錐形等進(jìn)行投影濾波。
2 投影模型
//本例使用axtby+ez+d=O的平面模型創(chuàng)建一個(gè)系數(shù)為a=b=d=0,c=1的平面,也就是X-Y平面。z軸相關(guān)的點(diǎn)全部投影在X-Y面上pcl::ModelCoefficients::Ptr?coefficients(new?pcl::ModelCoefficients());coefficients->values.resize(4)?;coefficients->values[0]?=?coefficients->values[1]?=?O;coefficients->values[2]?=1.0;coefficients->values[3]?=0;
1 原理
用于平滑圖像并減少圖像中的噪聲。基于高斯函數(shù)的數(shù)學(xué)原理，通過在圖像上應(yīng)用高斯核來實(shí)現(xiàn)平滑效果。
2 步驟
1）確定高斯核的大小和標(biāo)準(zhǔn)差：高斯核的大小是指核的尺寸，通常是一個(gè)奇數(shù)，例如3x3、5x5、7x7等。標(biāo)準(zhǔn)差決定了高斯函數(shù)的形狀，控制了濾波的平滑程度。標(biāo)準(zhǔn)差越大，平滑效果越明顯。
2）生成高斯核：根據(jù)確定的高斯核大小和標(biāo)準(zhǔn)差，生成一個(gè)二維的高斯權(quán)值矩陣。高斯權(quán)值矩陣中的每個(gè)元素表示了相應(yīng)位置上的權(quán)重值，這些權(quán)重值是根據(jù)高斯函數(shù)計(jì)算得出的。
3）對(duì)圖像進(jìn)行卷積：將生成的高斯核應(yīng)用于原始圖像。對(duì)于圖像中的每個(gè)像素，將高斯核與其周圍的像素進(jìn)行卷積操作。卷積操作即將高斯核的每個(gè)元素與對(duì)應(yīng)位置的像素值相乘，并將結(jié)果進(jìn)行求和。
4）更新像素值：將卷積操作得到的結(jié)果作為濾波后的像素值，用于更新原始圖像中對(duì)應(yīng)位置的像素值。這樣就完成了一次高斯濾波操作。
5）對(duì)整個(gè)圖像重復(fù)濾波操作：重復(fù)步驟3和步驟4，對(duì)整個(gè)圖像進(jìn)行濾波操作，直到所有像素都被更新為濾波后的值。
3 卷積原理
卷積操作中，高斯核與圖像中的每個(gè)像素以及其周圍的鄰域像素進(jìn)行加權(quán)求和。卷積的結(jié)果是通過將每個(gè)像素的值乘以對(duì)應(yīng)位置的高斯核權(quán)重，并將所有結(jié)果相加得到的。假定中心點(diǎn)的坐標(biāo)是（0,0），那么取距離它最近的8個(gè)點(diǎn)坐標(biāo)，為了計(jì)算，需要設(shè)定σ的值。假定σ=1.5，則模糊半徑為1的高斯模板如下：
4 KD-Tree
依次搜尋每個(gè)點(diǎn)云數(shù)據(jù)周圍的k個(gè)鄰域點(diǎn)，并計(jì)算出采樣點(diǎn)到其k個(gè)鄰域點(diǎn)的平均歐式距離。原始點(diǎn)云數(shù)據(jù)
σ值越大，權(quán)值分布越平緩。因此鄰域各點(diǎn)值對(duì)輸出值的影響越大，最終結(jié)果造成圖像越模糊；
核大小固定，σ值越小，權(quán)值分布越突起。因此鄰域各點(diǎn)值對(duì)輸出值的影響越小，圖像變化越小。假如中心點(diǎn)權(quán)值為1，其他點(diǎn)權(quán)值為0，最終結(jié)果是圖像沒有任何變化；
σ固定時(shí)，核越大圖像越模糊；
σ固定時(shí)，核越小圖像變化越小。
//—————基于高斯核函數(shù)的卷積濾波實(shí)現(xiàn)-—---------pcl::filters::CaussianKernel<pcl::PointXYZ,?pcl::PointXYZ>?kernel;//濾波器類?輸入+輸出kernel.setSigma(4);//高斯函數(shù)的標(biāo)準(zhǔn)方差,決定函數(shù)的寬度kernel.setThresho1dRelativeToSigma(4)://設(shè)置相對(duì)Sigma參數(shù)的距離閾值kernel.setThreshold(0.05);//設(shè)置距離閾值，若點(diǎn)間距高大于閾值則不予考慮court?<<"Kernel?made”<<?end1;//——————-創(chuàng)建k維樹——————pcl::search::KdTree<pcl::PointXYZ>::Ptr?tree(new?pcl::search:KdTree<pcl::PointXYZ>);tree->setInputCloud?(cloud);court?<<KdTree?made<<end1://-———-—-設(shè)置三維卷積相關(guān)參數(shù)-——————————————pc1:.filters::Convolution3D<pcl::PointXYZ,?pcl::PointXYZ,?pcl:filters::GaussianKernel<pcl::PointXYZ,?pcl:PointXYZ>>?convolution;convolution.setKernel?(kernel);//設(shè)置卷積核convolution.setInputCloud?(cloud);convolution.setNumberOfThreads(8);//卷積操作的線程數(shù)量為8convolution.setSearchMethod(tree);//搜索方法為treeconvolution.setRadiusSearch(0.01);//積操作的半徑搜索參數(shù)為0.01cout?<<?"Convolution?Start"?<<?end1;
1）自編碼器（Autoencoder）：自編碼器是一種無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，可以用于圖像和信號(hào)的去噪。它通過將輸入信號(hào)壓縮到低維編碼空間，然后再將其解碼回原始信號(hào)空間，從而學(xué)習(xí)到信號(hào)的有用特征，并去除噪聲。?
2）基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的去噪算法：CNN在圖像處理領(lǐng)域廣泛應(yīng)用，可以用于圖像去噪。通過在網(wǎng)絡(luò)中使用卷積層、池化層和反卷積層等結(jié)構(gòu)，CNN可以學(xué)習(xí)到圖像的局部特征，并對(duì)噪聲進(jìn)行去除。?
3）基于生成對(duì)抗網(wǎng)絡(luò)（GAN）的去噪算法：GAN是一種由生成器和判別器組成的對(duì)抗性模型。在圖像去噪中，生成器負(fù)責(zé)將噪聲圖像轉(zhuǎn)換為清晰圖像，而判別器則用于判斷生成器輸出的圖像是否真實(shí)。通過不斷迭代訓(xùn)練，生成器可以生成更加清晰的圖像，從而實(shí)現(xiàn)去噪效果。?
4）基于變分自編碼器（VAE）的去噪算法：VAE是一種生成模型，可以學(xué)習(xí)到輸入數(shù)據(jù)的潛在表示。在去噪中，VAE可以學(xué)習(xí)到噪聲數(shù)據(jù)的潛在分布，并生成去噪后的圖像或信號(hào)。
5）基于深度殘差網(wǎng)絡(luò)（DnCNN）的去噪算法：DnCNN是一種專門設(shè)計(jì)用于圖像去噪的深度殘差網(wǎng)絡(luò)。它通過堆疊多個(gè)卷積層和殘差連接來學(xué)習(xí)到圖像中的噪聲特征，并去除噪聲。
4 參考
https://blog.csdn.net/qq_36686437/article/details/114160640
—END—目前工坊已經(jīng)建立了3D視覺方向多個(gè)社群，包括SLAM、工業(yè)3D視覺、自動(dòng)駕駛方向，細(xì)分群包括：[工業(yè)方向]三維點(diǎn)云、結(jié)構(gòu)光、機(jī)械臂、缺陷檢測(cè)、三維測(cè)量、TOF、相機(jī)標(biāo)定、綜合群；[SLAM方向]多傳感器融合、ORB-SLAM、激光SLAM、機(jī)器人導(dǎo)航、RTK|GPS|UWB等傳感器交流群、SLAM綜合討論群；[自動(dòng)駕駛方向]深度估計(jì)、Transformer、毫米波|激光雷達(dá)|視覺攝像頭傳感器討論群、多傳感器標(biāo)定、自動(dòng)駕駛綜合群等。[三維重建方向]NeRF、colmap、OpenMVS等。除了這些，還有求職、硬件選型、視覺產(chǎn)品落地等交流群。大家可以添加小助理微信: CV3d007，備注：加群+方向+學(xué)校|公司, 小助理會(huì)拉你入群。
