基礎下采樣

1.1 點云隨機下采樣

點云下采樣是對點云以一定的采樣規則重新進行采樣，目的是在保證點云整體幾何特征不變的情況下，降低點云的密度，進而可以降低相關處理的數據量和算法復雜度。

隨機下采樣顧名思義，隨機下采樣就似乎在原始點云中隨機采樣一定點數的點。這種方法最終得到的點云數量也是固定的。

pcl::PointCloud< PointT >::Ptr cloud_sub(new pcl::PointCloud< PointT >);    //隨機下采樣點云
    pcl::RandomSample< PointT > rs;    //創建濾波器對象
    rs.setInputCloud(cloud);                //設置待濾波點云
    rs.setSample(20000);                    //設置下采樣點云的點數
    //rs.setSeed(1);                        //設置隨機函數種子點
    rs.filter(*cloud_sub);                    //執行下采樣濾波，保存濾波結果于cloud_sub

1.2 體素下采樣

體素下采樣的原理如圖1所示，首先將點云空間進行網格化，也稱體素化，即圖1(b)，網格化后的每一個格子稱為體素，在這些劃分為一個個極小的格子中包含一些點，然后對這些點取平均或加權平均得到一個點，以此來替代原來網格中所有的點，即圖1(c)中藍色的點。顯然，網格選取越大則采樣之后的點云越少，處理速度變快，但會對原先點云過度模糊，網格選取越小，則作用相反。

pcl::VoxelGrid< pcl::PointXYZ > sor;    //創建體素網格采樣處理對象
 sor.setInputCloud(cloud);             //設置輸入點云
 sor.setLeafSize(0.01f, 0.01f, 0.01f); //設置體素大小，單位：m
 sor.filter(*cloud_filtered);          //進行下采樣

1.3 均勻采樣

均勻采樣的原理類似于體素化網格采樣方法，同樣是將點云空間進行劃分，不過是以半徑=r的球體，在當前球體所有點中選擇距離球體中心最近的點替代所有點，注意，此時點的位置是不發生移動的。

球體半徑選取越大則采樣之后的點云越少，處理速度變快，但會對原先點云過度模糊，網格選取越小，則作用相反。

pcl::UniformSampling< pcl::PointXYZ > form;   // 創建均勻采樣對象
form.setInputCloud(cloud);                  //設置輸入點云
form.setRadiusSearch(0.02f);                //設置半徑大小,單位:m
form.filter(*after_cloud);                  //執行濾波處理

1.4 增采樣

增采樣的特點是可極大的增加點云數據，但由于內插點的不確定性會導致最后輸出的結果不一定準確。

//創建增采樣對象
pcl::MovingLeastSquares< pcl::PointXYZ,pcl::PointXYZ > filter;    
filter.setInputCloud(cloud);                     //設置輸入點云
pcl::search::KdTree< pcl::PointXYZ >::Ptr kdtree;  //定義搜索方法
filter.setSearchMethod(kdtree);                  //設置搜索方法
filter.setSearchRadius(0.03);    //設置搜索鄰域的半徑為3cm  
//Upsampling 采樣的方法還有 DISTINCT_CLOUD, RANDOM_UNIFORM_DENSITY
filter.setUpsamplingMethod(pcl::MovingLeastSquares< pcl::PointXYZ, pcl::PointXYZ >::SAMPLE_LOCAL_PLANE);     //對點云進行上采樣
filter.setUpsamplingRadius(0.03);    //設置采樣半徑大小，3cm
filter.setUpsamplingStepSize(0.02);  //設置采樣步長大小，2cm
filter.process(*after_cloud);      //執行采樣操作

1.5 滑動最小二乘法采樣

滑動最小二乘法采樣的原理是將點云進行了滑動最小二乘法的映射，使得輸出的點云更加平滑。

pcl::PointCloud< pcl::PointNormal >::Ptr smoothedCloud(new pcl::PointCloud< pcl::PointNormal >);   //定義法線
pcl::MovingLeastSquares< pcl::PointXYZ, pcl::PointNormal > filter;
pcl::search::KdTree< pcl::PointXYZ >::Ptr kdtree;  //定義搜索方法
filter.setInputCloud(cloud);    //設置輸入點云
filter.setUpsamplingMethod();  //增加密度較小區域的密度對于holes的填補卻無能為力，具體方法要結合參數使用
filter.setSearchRadius(10);// 用于擬合的K近鄰半徑。在這個半徑里進行表面映射和曲面擬合。半徑越小擬合后曲面的失真度越小，反之有可能出現過擬合的現象。
filter.setPolynomialFit(true);  //對于法線的估計是有多項式還是僅僅依靠切線。true為加多項式；false不加，速度較快
filter.setPolynomialFit(3);      // 擬合曲線的階數
filter.setComputeNormals(true);  // 是否存儲點云的法向量，true 為存儲，false 不存儲
filter.setSearchMethod(kdtree); //設置搜索方法
filter.process(*smoothedCloud); //處理點云并輸出