第十一课Open3D点云数据处理：中值滤波

1 中值滤波原理

2 与均值滤波对比

3 中值滤波代码实现

3.1 代码行实现

3.2 将中值滤波的实现封装到函数 pointCloud_median_filter() 中

1 中值滤波原理

点云中值滤波是将空间中每个点的值替换为其邻域点值的中位数。具体来说，对于给定点云中的每个点，我们考虑它的邻域，即以该点为中心的一定大小的球体，然后将该球体内所有点的xyz三个方向的值分别进行排序，分别计算三个方向的中位数来代替该点的坐标值。

中值滤波会丢失一些细节信息，因为它只考虑了每个点周围的点，而没有利用全局信息。同时，窗口大小的选取也很重要，过大的窗口，排序的点数增多，运算时间也会增加，并且会导致平滑效果过于明显，过小的窗口则可能无法去除噪声。因此，在实际应用中需要根据具体情况进行调整。

需要注意的一点是：中值滤波后，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 与均值滤波对比

• 原理不同：均值滤波取平均值，中值滤波取中位数。
• 滤波效果不同：均值滤波适用于去除较为平稳的噪声，能够在一定程度上对点云数据进行平滑处理，但会损失部分细节信息；中值滤波更适用于去除非均匀性噪声，能够保留更多的细节信息。
• 适用范围不同：均值滤波适用于处理较小的噪声，窗口大小较小；中值滤波适用于处理较大的噪声，窗口大小较大。

3 中值滤波代码实现

关键代码：

# 计算邻域内所有点的坐标中位数 median = np.median(np.asarray(pcd.points)[idx], axis=0)

3.1 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\feiji.pcd") # 定义中值滤波半径 radius = 0.05 # 构建kdtree进行邻域搜索 kdtree = o3d.geometry.KDTreeFlann(pcd) np_points = np.array(pcd.points) # 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 if k < 1: continue # 计算邻域内所有点的坐标中位数 median = np.median(np.asarray(pcd.points)[idx], axis=0) # 更新当前点的坐标 np_points[i] = median # 创建点云对象，存放滤波结果 pcd_median = o3d.geometry.PointCloud() pcd_median.points = o3d.utility.Vector3dVector(np_points) # 打印点云信息 print('原始点云：',pcd) print('滤波点云：',pcd_median) # 可视化滤波结果 pcd.paint_uniform_color([1,0,0]) pcd_median.paint_uniform_color([0,1,0]) o3d.visualization.draw_geometries([pcd,pcd_median], width=1200, height=800, window_name = '中值滤波-原始点云（红），滤波点云（绿）')

3.2 将中值滤波的实现封装到函数pointCloud_median_filter()中

import open3d as o3d import numpy as np """ @describe: 点云中值滤波 @param[I]: pointCloud, 待滤波点云 @param[I]: radius, 滤波窗口半径 @return: pointCloud_median: 中值滤波结果点云 """ def pointCloud_median_filter(pointCloud,radius): # 构建kdtree进行邻域搜索 kdtree = o3d.geometry.KDTreeFlann(pointCloud) np_points = np.array(pointCloud.points) # 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 if k < 1: continue # 计算邻域内所有点的坐标中位数 median = np.median(np.asarray(pcd.points)[idx], axis=0) # 更新当前点的坐标 np_points[i] = median # 创建点云对象，存放滤波结果 pointCloud_median= o3d.geometry.PointCloud() pointCloud_median.points = o3d.utility.Vector3dVector(np_points) # 返回滤波结果点云 return pointCloud_median if __name__ == "__main__": # 读取点云文件 pcd = o3d.io.read_point_cloud("data\desk.pcd") # 定义中值滤波窗口半径 radius = 0.05 # 创建点云对象，存放滤波结果 pcd_median = o3d.geometry.PointCloud() # 执行中值滤波 pcd_median = pointCloud_median_filter(pcd,radius) # 打印点云信息 print('原始点云：',pcd) print('滤波点云：',pcd_median) # 可视化滤波结果 pcd.paint_uniform_color([1,0,0]) pcd_median.paint_uniform_color([0,1,0]) o3d.visualization.draw_geometries([pcd,pcd_median], width=1200, height=800, window_name = '中值滤波-原始点云（红），滤波点云（绿）')