#头条创作挑战赛#

在本教程中，我们将学习如何使用Open3D过滤点云，以便在python中进行下采样和异常值删除。

1. 引言

由于使用的3D扫描仪(如结构光扫描仪)或捕获的场景(包括吸收红外光的材料)的特性，计算或收集的点云有时会有噪声。另外，一些算法或计算机视觉技术对噪声敏感，如估计曲面法线和曲率变化。

为了减少噪声，采用了滤波技术。一些滤波器还用于降低点云密度，从而减少计算时间。在这篇文章中，我们将看到一些常见的滤波器，即:直通滤波器，统计离群值去除滤波器，半径离群值去除滤波器和下采样滤波器。

2. 直通滤波器

直通滤波器对输入数据施加约束，这些约束通常是阈值或间隔。对于点云，如果点满足约束（这些约束主要是沿一个或多个轴的间隔），则该点将通过滤波器。为了减少噪声，一般根据输入设备的性质和状态来确定间隔:深度数据在间隔内更准确，否则噪声更大。直通滤波器不仅可用于滤除噪声输入，还可用于减少数据，例如考虑最近的点。

在 0.7.0 版之前，Open3D 支持 crop_point_cloud(input, min_bound, max_bound)其中：

input是输入点云。

min_bound是点坐标的最小边界。

max_bound是点坐标的最大边界。

返回区间内的点云。

例如，通过考虑区间[0.8,3]对点云进行滤波以降低z轴上的噪声。对于X轴和Y轴，我们将边界设置为无穷大，因为我们没有沿着它们进行过滤:

from open3d import *
import math
import numpy as np

cropped = crop_point_cloud(pcd, 
                          min_bound=np.array([-math.inf, -math.inf, 0.8]), 
                          max_bound=np.array([math.inf, math.inf, 3]))

在0.7.0版本之后，要裁剪点云，可以使用open3d.geometry.PointCloudcrop(bounding_box)。与前面的函数类似，此方法返回裁剪点云。为此，我们首先创建一个边界框，其中包含将要考虑的点。此边界框是根据间隔边界的组合创建的（请参见bounding_box_points）。在这里，我们只沿着 Z 轴进行过滤：只返回z坐标在[0.8,2]之间的点。最后，使用创建的边界框对象裁剪输入点云：

import numpy as np
import open3d as o3d
import math
import itertools

if __name__ == '__main__':
    # Read point cloud:
    pcd = o3d.io.read_point_cloud("../data/depth_2_pcd.ply")

    # Create bounding box:
    bounds = [[-math.inf, math.inf], [-math.inf, math.inf], [0.8, 2]]  # set the bounds
    bounding_box_points = list(itertools.product(*bounds))  # create limit points
    bounding_box = o3d.geometry.AxisAlignedBoundingBox.create_from_points(
        o3d.utility.Vector3dVector(bounding_box_points))  # create bounding box object

    # Crop the point cloud using the bounding box:
    pcd_croped = pcd.crop(bounding_box)

    # Display the cropped point cloud:
    o3d.visualization.draw_geometries([pcd_croped])

生成的点云如下所示：

灰色：输入的点云 绿色：生成的点云

3. 下采样

下采样点云包括减少点的数量。例如，它通常用于减少处理步骤的运行时间或选择用于训练的确切数量的点。

Open3D库提供了三种不同的方法来下采样点云:

• random_down_sample(pcd, sampling_ratio):从输入点云pcd中选择n*sampling_ratio随机点。它可以用于数据增强，因为每次都选择不同的点。但是，它对噪声很敏感。
• uniform_down_sample(every_k_points):根据点的顺序统一选择点。它每隔every_k_points选择一个点。第一个点(索引为0)总是被选中。因此，所选点的索引为:0,every_k_points, 2 *every_k_points等。如果输入点云是有组织的，则该函数返回一个均匀的点云;否则，它与第一种方法类似，只是每次都会生成相同的输出。
• voxel_down_sample(voxel_size):创建3D体素网格。体素网格将输入划分为一组voxel_sizevoxel_size×voxel_size体素。每个体素都包含属于3个轴的相同间隔的是数据点。然后对属于同一体素的点进行下采样并用其质心替换。此滤波器用于减小点云的大小并使其平滑。但是，它非常耗时，因为它在将点云重组为体素后计算质心，并且对异常值很敏感。

现在，让我们测试所有这些方法并显示生成的点云。为了获得更好的可视化效果，我们将sampling_ratio设置为0.005 ，every_k_points设置为200，voxel_size设置为0.4，分别用于 random_down_sample 、uniform_down_sample 和 voxel_down_sample。最后，我们点云在同一窗口中进行显示。

import open3d as o3d
import numpy as np

if __name__ == '__main__':
    # Read point cloud:
    pcd = o3d.io.read_point_cloud("../data/depth_2_pcd.ply")

    # Random down-sampling:
    random_pcd = pcd.random_down_sample(sampling_ratio=0.005)

    # Uniform down-sampling:
    uniform_pcd = pcd.uniform_down_sample(every_k_points=200)

    # Voxel down-sampling:
    voxel_pcd = pcd.voxel_down_sample(voxel_size=0.4)

    # Translating point clouds:
    points = np.asarray(random_pcd.points)
    points += [-3, 3, 0]
    random_pcd.points = o3d.utility.Vector3dVector(points)

    points = np.asarray(uniform_pcd.points)
    points += [0, 3, 0]
    uniform_pcd.points = o3d.utility.Vector3dVector(points)

    points = np.asarray(voxel_pcd.points)
    points += [3, 3, 0]
    voxel_pcd.points = o3d.utility.Vector3dVector(points)

    # Display:
    o3d.visualization.draw_geometries([pcd, random_pcd, uniform_pcd, voxel_pcd])

请注意，uniform_down_sample方法所得到的点云均匀分布在 3D 空间中。这是因为输入是有组织的点云。

让我们通过随机排列前一个点云的点来创建一个无组织的点云，如下所示：

points = np.asarray(pcd.points)
np.random.shuffle(points)
u_pcd= o3d.geometry.PointCloud()
u_pcd.points= o3d.utility.Vector3dVector(points)

与前面的示例类似，我们将不同的下采样方法应用于u_pcd并显示结果。可视化窗口如下所示：

这里，uniform_down_sample方法得到的点云在3D空间中分布不均匀。它看起来更像是随机的下采样，因为这些点是无组织的。但是，voxel_down_sample返回相同的点云，因为它将点重新组织为 3D 格网。

4. 离群值去除

• 半径离群值去除是一种条件滤波器，用于移除给定半径的球内相邻要数小于给定数量的每个点。Open3D 提供了remove_radius_outlier(nb_points, radius)方法，其中：

nb_points是相邻的数量。

radius是球体半径。

返回：过滤后的点云的元组和内部索引列表。

• 统计离群值去除可移除离其相邻点较远的点。对于每个点，计算从它到其所有邻居的平均距离。然后，如果点的平均距离在由全局距离平均值和标准差定义的区间之外，则该点是离群值。Open3D 提供了remove_statistical_outliers(nb_neighbors, std_ratio)方法，其中：

nb_neighbors是邻居的数量。

std_ratio是标准偏差比。

返回：过滤后的点云的元组和内部索引列表。

让我们测试这两种方法并显示生成的点云。为了减少运行时间，我们首先应用下采样。我们使用select_by_index(index, invert)来选择离群值点。我们将invert设置为True。

import open3d as o3d
import numpy as np

if __name__ == '__main__':
    # Read point cloud:
    pcd = o3d.io.read_point_cloud("../data/depth_2_pcd.ply")
    # Down sampling to reduce the running time:
    pcd = pcd.voxel_down_sample(voxel_size=0.02)

    # Radius outlier removal:
    pcd_rad, ind_rad = pcd.remove_radius_outlier(nb_points=16, radius=0.05)
    outlier_rad_pcd = pcd.select_by_index(ind_rad, invert=True)
    outlier_rad_pcd.paint_uniform_color([1., 0., 1.])

    # Statistical outlier removal:
    pcd_stat, ind_stat = pcd.remove_statistical_outlier(nb_neighbors=20,
                                                 std_ratio=2.0)
    outlier_stat_pcd = pcd.select_by_index(ind_stat, invert=True)
    outlier_stat_pcd.paint_uniform_color([0., 0., 1.])

    # Translate to visualize:
    points = np.asarray(pcd_stat.points)
    points += [3, 0, 0]
    pcd_stat.points = o3d.utility.Vector3dVector(points)

    points = np.asarray(outlier_stat_pcd.points)
    points += [3, 0, 0]
    outlier_stat_pcd.points = o3d.utility.Vector3dVector(points)

    # Display:
    o3d.visualization.draw_geometries([pcd_stat, pcd_rad, outlier_stat_pcd, outlier_rad_pcd])

5. 结论

本文，我们引入了最知名的点云滤波器。这些滤波器在 Open3D 中实现。它们也在一些其他点云库（如PCL）中实现。在大多数实时应用中，需要过滤和减小点云的大小，特别是对于密集的点云。