无人机避障——4D毫米波雷达点云滤波去噪（四）

噪声的来源：

对于4D毫米波雷达的前后两帧点云数据进行去噪，可以采用多种方法。首先，需要了解点云数据的噪声来源，可能是由于硬件限制、环境干扰或目标本身的反射特性等因素造成的。噪声点通常包括漂移点、孤立点、冗余点和混杂点等。

参考学习：

十种滤波算法的Python实现_控制十个数据，先进先出-CSDN博客

去噪方法可以分为传统方法和基于深度学习的方法：

以4D毫米波的平面和三维点云为例：

点云效果如下：

滤波测试结果：

中值平均滤波法：

中值平均滤波法（Median Mean Filter）是一种常见的信号处理滤波方法，结合了中值滤波和均值滤波的特点。它的基本思想是对信号进行中值滤波和均值滤波的结合，以平衡两种滤波方法的优缺点。

这种滤波方法的步骤通常包括：

对信号进行中值滤波，以消除噪声对信号的影响。
对中值滤波后的信号再进行均值滤波，以保留信号的整体特征。

结果：

左边是4D雷达点云，右边是滤波之后的效果

pre为10

pre为5

改变左边雷达点云，观察右边滤波效果。

[注意]：得看看平面的效果！！！

pre = 10

pre = 5

结论：

有一定的去噪能力，但是感觉滤波能力还不太够

代码：

def adjust_array_size(points, per):"""调整数组的大小，使其长度为 per 的倍数。参数:points (numpy.ndarray): 输入的点数组。per (int): 每个分组的大小。返回:numpy.ndarray: 调整大小后的点数组。"""num_points = len(points)  # 获取点数组的长度print('调整之前点的数目：',num_points)remainder = num_points % per  # 计算点数组长度对 per 的余数print('remainder：',remainder)if remainder != 0:  # 如果余数不为零，说明需要调整数组大小points = points[:-remainder]  # 删除多余的点print("删除")return points  # 返回调整后的点数组def MedianAverage3D(points, per):"""对三维点数组进行中值平均去噪。参数:points (numpy.ndarray): 输入的三维点数组。per (int): 每个分组的大小。返回:numpy.ndarray: 去噪后的点数组。"""points = adjust_array_size(points, per)  # 调整点数组的大小，使其长度为 per 的倍数num_points = len(points)  # 获取调整后点数组的长度num_groups = num_points // per  # 计算分组的数量# 确保 points 数组的大小是 per 的倍数if num_points != num_groups * per:raise ValueError(f"The number of points ({num_points}) is not a multiple of per ({per}).")points_reshaped = points.reshape((num_groups, per, 3))  # 将点数组重塑为 (num_groups, per, 3) 的形状denoised_points = np.zeros((num_points, 3))  # 初始化去噪后的点数组for i in range(num_groups):  # 遍历每个分组for j in range(3):  # 遍历每个通道（x, y, z）channel = points_reshaped[i, :, j]  # 获取当前分组的当前通道数据# print('channel:',channel)# 检查数组大小，确保在删除最大值和最小值后仍然有数据点if len(channel) > 2:# 检查 channel 中的元素是否都相同if np.all(channel == channel[0]):# 如果所有元素都相同，则不进行删除操作# print("运行到这1！！！")denoised_points[i*per:(i+1)*per, j] = channel[0]else:# print("运行到这2！！！")max_indices = np.where(channel == channel.max())[0]min_indices = np.where(channel == channel.min())[0]# print("max_indices1:",max_indices)# print("min_indices1:",min_indices)                 # 合并需要删除的索引indices_to_delete = np.unique(np.concatenate((max_indices, min_indices)))                    # 删除最大值和最小值channel = np.delete(channel, indices_to_delete)# 如果删除后数组大小为零，则使用原始数据if len(channel) == 0:channel = points_reshaped[i, :, j]denoised_points[i*per:(i+1)*per, j] = np.mean(channel)  # 计算剩余数据的均值，并赋值给去噪后的点数组else:denoised_points[i*per:(i+1)*per, j] = np.mean(channel)  # 如果数据点不足，直接使用均值return denoised_points  # 返回去噪后的点数组

递推平均滤波法：

递推平均滤波（也称为移动平均滤波或滑动平均滤波）是一种常用的信号处理技术，用于减少数据中的随机噪声，平滑数据序列。以下是递推平均滤波的特点以及它的优缺点：

特点：
1. **简单易实现**：递推平均滤波的算法简单，容易在硬件或软件中实现。
2. **时域滤波**：它在时域内对信号进行处理，不需要像频域滤波那样进行傅里叶变换。
3. **局部平均**：通过对数据序列中相邻的一组数据点求平均值，实现局部平滑。
4. **递推计算**：每个点的平均值是基于前一个平均值和当前窗口的数据点计算的，这样可以减少计算量。

优点：
1. **去噪效果好**：对于随机噪声，递推平均滤波能够有效地减少数据的波动，使信号更加平滑。
2. **稳定性高**：由于是局部操作，对数据的局部变化不敏感，因此滤波结果比较稳定。
3. **实时处理**：适合于在线实时处理，因为每个新数据点的滤波结果可以快速计算出来。
4. **无需训练**：不需要像一些自适应滤波器那样进行训练或参数调整。

缺点：
1. **引入延迟**：由于需要考虑当前点和前面的点，所以滤波后的数据会有一定的时间延迟。
2. **边缘效应**：在数据序列的开始和结束部分，无法形成完整的窗口，这可能导致边缘处的数据不够平滑。
3. **不能消除周期性噪声**：如果噪声的周期与窗口大小相匹配，递推平均滤波可能无法有效去除这种噪声。
4. **信号失真**：对于非平稳信号，递推平均滤波可能会导致信号的波形失真，尤其是在信号的快速变化区域。
5. **参数依赖**：滤波效果依赖于窗口大小的选择，窗口太大可能导致信号过度平滑，失去细节；窗口太小则去噪效果不佳。

在使用递推平均滤波时，需要根据具体的应用场景和数据特性来选择合适的窗口大小。过大的窗口会消除信号中的重要细节，而过小的窗口则可能无法有效去除噪声。此外，对于非静态信号或非线性信号，递推平均滤波可能不是最佳选择，可能需要考虑更复杂的滤波方法。

结果：

pre = 15

pre = 10

pre = 5

结论：

去噪声比较弱，但是其有产生连续性规则性的点，肯定没法直接用的

代码：

# 递推平均滤波
def SlidingAverage(inputs, per):# 如果输入数组的行数不能被'per'整除，则去掉余数部分if inputs.shape[0] % per != 0:# 去掉不能整除的部分inputs = inputs[:inputs.shape[0] // per * per]# 初始化一个空数组来存储滤波后的结果filtered = np.zeros_like(inputs)# 遍历每个点，计算递推平均for i in range(inputs.shape[0]):# 计算当前点的起始索引start_idx = max(i - per + 1, 0)# 计算当前点的结束索引end_idx = i + 1# 计算窗口内的数据window = inputs[start_idx:end_idx]# 计算平均值filtered[i] = window.mean(axis=0)# 返回滤波后的数组return filtered