用eclipse做jsp网站,柳州公司网站建设,网站备案怎么做超链接,商务网站信息审核的重要性在于激光扫描可以生成很多点云的数据集。并且#xff0c;测量误差会导致一些稀疏的异常值使得结果更差。这使得局部点云特征估计变得更加的复杂#xff0c;产生一些错误的值#xff0c;使得点云的识别失败。有些不规则的数据可以通过数理统计的方法来消除。我们稀疏异样消除是以…激光扫描可以生成很多点云的数据集。并且测量误差会导致一些稀疏的异常值使得结果更差。这使得局部点云特征估计变得更加的复杂产生一些错误的值使得点云的识别失败。有些不规则的数据可以通过数理统计的方法来消除。我们稀疏异样消除是以计算输入集的点的近邻分布来进行的。我们假设分布是标准正太分布所有在分布区间外的点都被当成异常点。下面的图展示了稀疏异常分析与消除原来的数据集在左边结果在右边。下面的图显示了在滤波之前的K个最近邻的平均距离。 下面是代码 #include iostream #include pcl/io/pcd_io.h #include pcl/point_types.h #include pcl/filters/statistical_outlier_removal.hint main (int argc, char** argv) {pcl::PointCloudpcl::PointXYZ::Ptr cloud (new pcl::PointCloudpcl::PointXYZ);pcl::PointCloudpcl::PointXYZ::Ptr cloud_filtered (new pcl::PointCloudpcl::PointXYZ);// Fill in the cloud datapcl::PCDReader reader;// Replace the path below with the path where you saved your filereader.readpcl::PointXYZ (table_scene_lms400.pcd, *cloud);std::cerr Cloud before filtering: std::endl;std::cerr *cloud std::endl;// Create the filtering objectpcl::StatisticalOutlierRemovalpcl::PointXYZ sor;sor.setInputCloud (cloud);sor.setMeanK (50);sor.setStddevMulThresh (1.0);sor.filter (*cloud_filtered);std::cerr Cloud after filtering: std::endl;std::cerr *cloud_filtered std::endl;pcl::PCDWriter writer;writer.writepcl::PointXYZ (table_scene_lms400_inliers.pcd, *cloud_filtered, false);sor.setNegative (true);sor.filter (*cloud_filtered);writer.writepcl::PointXYZ (table_scene_lms400_outliers.pcd, *cloud_filtered, false);return (0); } 我们创建了一个pcl::StatisticalOutlierRemoval这个滤波器。每个点的近邻分析的数量被设置为50标准差是1.这意味着只要有一个点的距离大于1个标准差的平均距离这个点就会被当成异样点并被去除。 // Create the filtering objectpcl::StatisticalOutlierRemovalpcl::PointXYZ sor;sor.setInputCloud (cloud);sor.setMeanK (50);sor.setStddevMulThresh (1.0);sor.filter (*cloud_filtered); 并把正常的点存储到磁盘里面 pcl::PCDWriter writer;writer.writepcl::PointXYZ (table_scene_lms400_inliers.pcd, *cloud_filtered, false); 对负的值进行过滤 sor.setNegative (true);sor.filter (*cloud_filtered); 添加到相同的文件里面 writer.writepcl::PointXYZ (table_scene_lms400_outliers.pcd, *cloud_filtered, false);