1 半径-均值组合滤波算法原理
1.1 半径滤波原理
1.2 均值滤波原理
2 代码实现
2.1 代码行实现
2.2 将半径-均值组合滤波实现封装到 pointCloud_radius_mean_filter() 函数中
1 半径-均值组合滤波算法原理
1.1 半径滤波原理
1.2 均值滤波原理
需要注意的一点是：均值滤波后，点云中点的总数并不会发生变化，只是点的位置发生改变。
2 代码实现
2.1 代码行实现
import open3d as o3d import numpy as np # 读取点云文件 pcd = o3d.io.read_point_cloud(r"H:\HTempWK\temp\open3d\pointdata\Armadillo\Armadillo.pcd") # 定义均值滤波半径 radius = 0.5 # 构建kdtree进行邻域搜索 kdtree = o3d.geometry.KDTreeFlann(pcd) np_points = np.array(pcd.points) # 存放半径滤波过滤掉的点的索引 index_r = [] # 遍历点云 for i in range(len(pcd.points)): # 获取当前点的坐标 point = pcd.points[i] # 使用kdtree搜索当前点的邻域 [k, idx, _] = kdtree.search_radius_vector_3d(point, radius) # 如果邻域内没有点，则跳过，并记录当前点索引 if k < 20: # 将当前点索引添加到index_r数组中 index_r.append(i) continue # 计算邻域内所有点的坐标平均值 mean = np.mean(np.asarray(pcd.points)[idx], axis=0) # 更新当前点的坐标 np_points[i] = mean # 均值滤波：numpy数组转PointCloud点云 pcd_mean = o3d.geometry.PointCloud() pcd_mean.points = o3d.utility.Vector3dVector(np_points) # 将索引转换为numpy数组 indices_to_delete = np.asarray(index_r) # 构建存放组合滤波点云的容器pcd_filter pcd_filter = o3d.geometry.PointCloud() # 从点云中删除指定索引的点（相当于半径滤波） pcd_filter .points = o3d.utility.Vector3dVector(np.delete(np.asarray(pcd_mean.points), indices_to_delete, axis=0)) # 若点云中包含其他信息，如颜色、反射强度、法向量等，也需要删除。 # 下面以删除颜色为例：要保证点云中确实包含颜色信息，否则删除时会报错。 # pcd_filter.colors = o3d.utility.Vector3dVector(np.delete(np.asarray(pcd_mean.colors), indices_to_delete, axis=0)) # 打印滤波前后点云 print('pcd',pcd) print('pcd_filter',pcd_filter) print('删除点数：',len(index_r)) pcd.paint_uniform_color([1,0,0]) o3d.visualization.draw_geometries([pcd], width=900, height=600, window_name = '半径-均值组合滤波：原始点云（红）') pcd_filter.paint_uniform_color([0,1,0]) o3d.visualization.draw_geometries([pcd_filter], width=900, height=600, window_name = '半径-均值组合滤波：滤波点云（绿）')2.2 将半径-均值组合滤波实现封装到pointCloud_radius_mean_filter()函数中
import open3d as o3d import numpy as np """ @describe: 半径-均值组合滤波 @param[I]: pointCloud, 待滤波点云 @param[I]: radius, 滤波窗口半径 @param[I]: min_ptNum, 半径滤波最小点数 @return: pointCloud_filter: 组合滤波结果点云 """ def pointCloud_radius_mean_filter(pointCloud,radius,min_ptNum): # 构建kdtree进行邻域搜索 kdtree = o3d.geometry.KDTreeFlann(pointCloud) np_points = np.array(pointCloud.points) # 存放半径滤波过滤掉的点的索引 index_r = [] # 遍历点云 for i in range(len(pointCloud.points)): # 获取当前点的坐标 point = pointCloud.points[i] # 使用kdtree搜索当前点的邻域 [k, idx, _] = kdtree.search_radius_vector_3d(point, radius) # 如果邻域内没有点，则跳过，并记录当前点的索引 if k < min_ptNum: # 将当前点索引添加到index_r数组中 index_r.append(i) continue # 计算当前点邻域内所有点的坐标平均值 mean = np.mean(np.asarray(pointCloud.points)[idx], axis=0) # 更新当前点的坐标 np_points[i] = mean # 均值滤波：numpy数组转PointCloud点云 pointCloud_mean = o3d.geometry.PointCloud() pointCloud_mean.points = o3d.utility.Vector3dVector(np_points) # 将索引转换为numpy数组 indices_to_delete = np.asarray(index_r) # 构建存放组合滤波点云的容器pointCloud_filter pointCloud_filter = o3d.geometry.PointCloud() # 从点云中删除指定索引的点（相当于半径滤波） pointCloud_filter.points = o3d.utility.Vector3dVector(np.delete(np.asarray(pointCloud_mean.points), indices_to_delete, axis=0)) # 若点云中包含其他信息，如颜色、反射强度、法向量等，也需要删除。 # 下面以删除颜色为例：要保证点云中确实包含颜色信息，否则删除时会报错。 # pointCloud_filter.colors = o3d.utility.Vector3dVector(np.delete(np.asarray(pcd_mean.colors), indices_to_delete, axis=0)) # 返回组合滤波点云 return pointCloud_filter if __name__ == "__main__": # 读取点云文件 pcd = o3d.io.read_point_cloud("data\desk.pcd") # 定义均值滤波半径 radius = 0.05 # 半径滤波最小点数 min_ptNum = 20 # 执行组合滤波 pcd_filter = pointCloud_radius_mean_filter(pcd,radius,min_ptNum) # 打印滤波前后点云 print('pcd',pcd) print('pcd_filter',pcd_filter) # 可视化滤波结果 pcd.paint_uniform_color([1,0,0]) o3d.visualization.draw_geometries([pcd], width=900, height=600, window_name = '半径-均值组合滤波：原始点云（红）') pcd_filter.paint_uniform_color([0,1,0]) o3d.visualization.draw_geometries([pcd_filter], width=900, height=600, window_name = '半径-均值组合滤波：滤波点云（绿）')
