通常从传感器（3D相机、雷达）中获取到的点云存在噪点（杂点、离群点、孤岛点等各种叫法）。噪点产生的原因有不同，可能是扫描到了不想要扫描的物体，可能是待测工件表面反光形成的，也可能是相机内部的原因。在进行其他算法处理之前，通常需要先去除噪声，避免带来干扰。去噪的方法有很多，效率和效果也是各不相同，应用场景也不太一样，本篇内容就是想要将不同的去噪方法进行归纳。
Windows + VS2019 + PCL1.11.1
PCL中集成有半径滤波，可以用于噪点的去除。主要需要设定两个参数，一个是搜索半径，另一个是在搜索半径内近邻点的最小数量。这两个参数需要根据点云的x，y，z方向上的点间距来设定（或者说分辨率）。一般使用线扫相机或者结构光相机这类3D相机得到的点在x，y方向上间距都比较均匀。假设点间距是0.05，那么将搜索半径设置为0.1，则搜索半径内理论上在上下左右方向上分别有2个点，共8个点，所以近邻点最起码也有8个。
头文件：
#include <pcl/filters/radius_outlier_removal.h>
代码如下：
有一篇论文《Fast Radius Outlier Filter Variant for Large Point Clouds》，更快速的半径滤波，还未找到源码，若有人找到请联系我，感谢。
统计学滤波也是一种比较常见的去噪算法。其官方解释如下：
The statistical outlier removal process is a bit more refined. First, for every point, the mean distance to its K neighbors is computed. Then, if we asume that the result is a normal (gaussian) distribution with a mean μ and a standard deviation σ, we can deem it safe to remove all points with mean distances that fall out of the global mean plus deviation. Basically, it runs a statistical analysis of the distances between neighboring points, and trims all which are not considered “normal” (you define what “normal” is with the parameters of the algorithm).
个人理解就是遍历点云，对于每个点，都先搜索与其最相近的k个点，计算这k个点与该点的距离，并得到一个平均距离和一个平均距离的标准差。然后比较距离是否是大于μ+stddev*σ，如果大于则表示是离群点。
头文件：#include <pcl/filters/statistical_outlier_removal.h>
代码如下：
没错，就是RANSAC。使用RANSAC去去噪需要满足条件，那就是目标点云是具有几何特征的。如果目标点云是一个平面，那么就可以使用RANSAC拟合一个平面，并且将距离平面较远的点（外点）去除。这样当然也可以达到去噪的效果，而且速度还比较快。
头文件：
#include <pcl/kdtree/kdtree.h>
#include <pcl/segmentation/sac_segmentation.h>
欧式聚类既可以用于分割，也可以用于去噪，其实跟上述半径滤波区别不大。噪点肯定是距离想要的点云比较“远”的，设置好minSize，把想要的点聚成一个类，噪点自然就去除了。
代码如下：
设置的距离阈值为0.1，是两倍的点距大小（x，y方向点距都是0.05）。耗时10.9s。当距离阈值tolerance设置的比较大时，就会特别耗时，该方法就几乎不可用了。
引导滤波即Guide Filter，点云引导滤波的基本思想是利用点云的几何结构信息来指导滤波过程。代码的出处来自于这里。对其进行了一些简单的修改，使用了多线程的方法去处理，运行速度提升了不少。
代码：
该方法是PCL中统计学滤波的快速版本，在参数设定一致的情况下，得到的结果与统计学滤波一致。
快速统计学滤波源码如下：
封装调用代码：