點雲是三維離散資料，影象是二維稠密矩陣。資料型別的不同決定了其處理方式的差異，但濾波的基本原理和目的有相同之處∶利用資料的低頻特性剔除離群資料，並進行資料平滑或提取特定頻段特徵。點雲濾波包括剔除離群點，擬合區域性平面，方法分別有ransac與3d擬合。影象濾波側重於糾正雜訊點(如中值濾波)，並平滑影象(如高斯濾波)或提取特定頻段影象(sobel濾波，帶通濾波)。
點雲濾波
目的：解決採集到的點雲與點雲處理需求上的矛盾。例如，某一點雲處理演算法希望採集到的點雲是均勻的、無雜訊的、無空洞的等。
好的點雲有利於進行更好的配準、特徵提取、曲面重建、視覺化。
常見的點雲處理方法：
方法
概述
優點
缺點
直通濾波
指定某一空間範圍，直接進行的點雲保留或去除
原理簡單，能夠快速擷取想要的點雲區域
原理過於簡單，無法去除保留下來的點雲進行更充分的處理（例如去噪、填充等）
體素法濾波
主要用於下取樣，運用體素的概念對點雲進行降取樣，減少後續點雲處理的資料負擔。
能夠在保留點雲形狀特徵的基礎上減少點雲數量
下取樣就意味著資訊丟失，關鍵看丟失的資訊影不影響後續對點雲其他資訊的發掘
統計濾波
在點雲中，計算每個點到其臨近的k個點的平均距離，若該距離超出所設定的合理區間（一般超出上限值），定義該點為離群點
原理簡單
用類似密度的概念去除點雲中的離群點
需要提前進行點雲建樹，距離的設定一般需要指定
半徑濾波
以點雲中的某個點為中心，半徑為r的圓（或球）區域內，統計點的數目，少於數目n，則該點被剔除
原理簡單
依賴n和r的指定
在有高度落差的邊緣，可能獲得不好的處理效果；
稀疏區域的正常點也可能被濾除；
雙邊濾波
從2d影象處理引入，主要用於模糊保邊緣
模糊保邊緣
高斯濾波
基於隨機取樣一致性濾波
以上優缺點知識大致列舉。還要根據實際應用場合以及相應的處理需求來看，所採用的方法的優缺點還需要具體評估。
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...