简介：上一章对pcl进行了整体概述，这一节将对pcl滤波算法进行详解。pcl源代码提供了多种点云处理方式，本节先对源码进行解析，后续将会自己编写一些针对性的滤波算法。

在获取点云数据时 ，由于设备精度，操作者经验环境因素带来的影响，以及电磁波的衍射特性，被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免的出现一些噪声。在点云处理流程中滤波处理作为预处理的第一步，对后续的影响比较大，只有在滤波预处理中将噪声点 ，离群点，孔洞，数据压缩等按照后续处理定制，才能够更好的进行配准，特征提取，曲面重建，可视化等后续应用处理，PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如：双边滤波，高斯滤波，条件滤波，直通滤波，基于随机采样一致性滤波RANSAC等。滤波模块是作为 PCL的一个重要处理模块，其在应用中可以非常方便与其他点云处理流程协同使用。

局部范围内拟合平面，设置适当的阈值，把远离平面的点当做离群点删除，适合于处理大块平整点云。但是，特别是如果使用太高的内核半径（或太低的错误阈值），它将“吃掉”角落。为了保存角点或锐边，可以尝试以较小的半径和相对较高的错误阈值重复运行该算法。 Points/Radius：选择在每个点周围提取给定数量的邻居（适用于密度恒定的云）或指定球半径（球应该足够大，通常至少可以捕获6个点） Max error：输入最大误差（点到拟合平面的距离），以确定点是否被删除。误差可以是相对的Relative（作为拟合平面上邻域重投影误差的一个因子）或绝对的Absolute。 Remove isolated points：去除孤立点。如果使用的是②位置的半径搜索，球邻域内少于3个点，则认为该点为孤立点，剔除。 **总结：**低通滤波器包含了KNN算法，通过球状空间囊括最近领域的点云数据对离群点云进行了滤波，可以减少毛刺，但对于大面积点云没有较好的滤除效果。

高斯滤波 Spatial sigma：滤波器空间部分的正态分布方差 Scalar sigma：滤波器标量部分的正态分布方差 高斯滤波代码如下：