本文主要是介绍《PCL点云库学习VS2010(X64)》Part 16 PCL1.72（VTK6.2.0）滤波例程（2）之双边滤波，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Part 16 PCL1.72（VTK6.2.0）滤波例程（2）之双边滤波
1、BilteralFilter.cpp:
kdTree只能使用pcl/search/kdtree.h里的，pcl/kdtree/kdtree_flann.h里的在setSearchMethod()函数中会出现报错。这个问题在查找源码后得到了解决：
1）对于散乱无序点云使用pcl/kdtree/kdtree_flann.h
2）对于有序点云则使用pcl/search/kdtree.h
该程序调试需要自己思考下，最好找到源码看看。结合二维图像中的双边滤波算法理论，可以对该算法有一个比较深入的理解，双边滤波的效果是保边去噪，在该算法中也有体现，滤波后点云的数量没有变化，但是强度数据有一个均匀化的过程，结果可以通过可视化来观察。
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/filters/bilateral.h>#include <pcl/kdtree/flann.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/search/flann_search.h>
#include <pcl/search/kdtree.h>typedef pcl::PointXYZI PointT;int
main(int argc, char*argv[])
{std::string incloudfile = argv[1];std::string outcloudfile = argv[2];float sigma_s = atof(argv[3]);float sigma_r = atof(argv[4]);// 读入点云文件pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);pcl::io::loadPCDFile(incloudfile.c_str(), *cloud);pcl::PointCloud<PointT>outcloud;// 建立kdtree//pcl::KdTreeFLANN<PointT>::Ptr tree(new pcl::KdTreeFLANN<PointT>);pcl::search::KdTree<PointT>::Ptr tree1(new pcl::search::KdTree<PointT>);pcl::BilateralFilter<PointT> bf;bf.setInputCloud(cloud);bf.setSearchMethod(tree1);bf.setHalfSize(sigma_s);bf.setStdDev(sigma_r);bf.filter(outcloud);// 保存滤波输出点云文件pcl::io::savePCDFile(outcloudfile.c_str(), outcloud);return (0);
}2、FastBilateralFilter.cpp
//点的类型的头文件
#include <pcl/point_types.h> //required
//点云文件IO（pcd文件和ply文件）
#include <pcl/io/pcd_io.h> //required
#include <pcl/io/ply_io.h>
//kd树
#include <pcl/kdtree/kdtree_flann.h>
//特征提取
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/normal_3d.h>
//重构
#include <pcl/surface/gp3.h>
#include <pcl/surface/poisson.h>
//可视化
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/visualization/cloud_viewer.h>
//多线程
#include <boost/thread/thread.hpp>
#include <fstream>
#include <iostream>
#include <stdio.h>
#include <string.h>
#include <string>
//计时
#include <time.h>
//Bilateral Filter
#include <pcl/filters/bilateral.h>//required
#include <pcl/filters/fast_bilateral.h>
#include <pcl/filters/fast_bilateral_omp.h>typedef pcl::PointXYZI PointT;float sigma_s;
float sigma_r;int main(int argc, char** argv)
{// 确定文件格式 char tmpStr[100];strcpy(tmpStr, argv[1]);char* pext = strrchr(tmpStr, '.');std::string extply("ply");std::string extpcd("pcd");if (pext){*pext = '\0';pext++;}std::string ext(pext);//如果不支持文件格式，退出程序 if (!((ext == extply) || (ext == extpcd))){std::cout << "文件格式不支持!" << std::endl;std::cout << "支持文件格式：*.pcd和*.ply！" << std::endl;return(-1);}//根据文件格式选择输入方式 pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>); //创建点云对象指针，用于存储输入 pcl::PointCloud<pcl::PointXYZI> outcloud;//pcl::PCLPointCloud2::ConstPtr cloud;if (ext == extply){if (pcl::io::loadPLYFile(argv[1], *cloud) == -1){PCL_ERROR("Could not read ply file!\n");return -1;}}else{if (pcl::io::loadPCDFile(argv[1], *cloud) == -1){PCL_ERROR("Could not read pcd file!\n");return -1;}}///create a timer clock_t start, end;//(1）如果点云是有序的，通过 pcl: : Organ izedDatalnd ex 使用有序搜索方法 。//(2 ） 如果点云是无序的，通过 pcl : : KdTreeFLANN 使用通用的 Kd 树//有序点云//Example:// cloud.width = 640; // Image-like organized structure, with 640 rows and 480 columns,// cloud.height = 480; // thus 640*480=307200 points total in the dataset//无序点云//Example:// cloud.width = 307200;// cloud.height = 1; // unorganized point cloud dataset with 307200 points// 建立kdtreepcl::KdTreeFLANN<pcl::PointXYZI>::Ptr tree(new pcl::KdTreeFLANN<pcl::PointXYZI>);pcl::BilateralFilter<pcl::PointXYZI> bf;bf.setInputCloud(cloud);//bf.setSearchMethod(tree);bf.setHalfSize(sigma_s);bf.setStdDev(sigma_r);bf.filter(outcloud);// 保存滤波输出点云文件//pcl::io::savePCDFile(outcloud, "outcloud");/// Apply the filter//pcl::FastBilateralFilterOMP<pcl::PointXYZ> fbf(10);//OpenMP Accelerator//pcl::FastBilateralFilter<pcl::PointXYZ> fbf;fbf.setInputCloud(cloud);//fbf.setInputCloud(cloud);//fbf.setSigmaS(5.0);//定义算法支持的滤波范围的大小//fbf.setSigmaR(0.003);//pcl::PointCloud<pcl::PointXYZ> cloud_filtered;//start = clock();fbf.filter(cloud_filtered);//fbf.applyFilter(cloud_filtered);//end = clock();//std::cerr << "Start compute!" << std::endl;//std::cerr << (end - start) / CLOCKS_PER_SEC << "s used!" << std::endl;Convert data back//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_output;toPCLPointCloud2(cloud_filtered, cloud_output);//pcl::concatenateFields(*cloud, cloud_filtered, *cloud_output);//pcl::copyPointCloud(*cloud_output, *cloud);pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("BilateralFilter"));viewer->addPointCloud(outcloud, "cloud");viewer->updateCamera();viewer->updatePointCloud(cloud, "cloud");viewer->initCameraParameters();//viewer->spin(); while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}return 0;
}
这篇关于《PCL点云库学习VS2010(X64)》Part 16 PCL1.72（VTK6.2.0）滤波例程（2）之双边滤波的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
