orbslam2点云降噪

### OrbSLAM2 中点云降噪方法

在ORB-SLAM2框架下，点云数据通常来源于视觉里程计模块中的特征匹配过程。由于传感器噪声、光照变化等因素的影响，提取到的三维点可能存在大量异常值或不精确的位置信息。为了改善重建质量，可以考虑以下几种常见的点云降噪技术：

#### 1. 统计离群点移除 (Statistical Outlier Removal)

统计离群点移除是一种简单有效的去除孤立点的方法。该算法假设大多数有效点位于密集区域附近，而远离这些区域的点则被认为是噪音。

pcl::StatisticalOutlierRemoval<PointT> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 考虑邻近点的数量
sor.setStddevMulThresh(1.0); // 设置标准差倍数阈值
sor.filter(*cloud_filtered);

这种方法能够快速有效地清理掉明显偏离正常分布的数据点[^4]。

#### 2. 正态空间滤波 (Normal Space Filtering)

正态空间滤波通过计算局部表面法向量来识别平滑表面上突兀出现的小凸起或其他不符合整体趋势的部分。对于每一个点p及其k个最近邻居N(p)，如果某个方向上的梯度显著高于其他方向，则认为此位置可能是噪声源。

pcl::IntegralImageNormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setNormalEstimationMethod(ne.AVERAGE_3D_GRADIENT);
ne.setMaxDepthChangeFactor(0.02f);
ne.setNormalSmoothingSize(10.0f);

pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
ne.setInputCloud(cloud);
ne.compute(*normals);

这有助于保持物体边缘的同时消除细小结构中的干扰项[^5]。

#### 3. 基于体素网格简化 (Voxel Grid Simplification)

当面对高分辨率扫描仪产生的海量点云时，直接应用上述两种过滤方式可能会非常耗时。此时可先利用体素栅格化手段降低原始数据规模再做进一步处理。具体做法是将整个工作区划分为固定大小的空间单元——即“体素”，并将落在同一单元内的所有测量结果平均化成单一点表示。

pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.01f, 0.01f, 0.01f); // 定义体素尺寸
voxel_filter.filter(*cloud_voxeled);

这种预处理步骤不仅加快了后续操作的速度，而且本身也起到了一定的去噪效果[^6]。