本篇文章主要介绍TOF深度图的后处理，鉴于自身水平所限，如有错误，欢迎批评指正。（欢迎进Q群交流：874653199）
TOF由于其本身的特性，导致其所获得的深度图存在以下问题：
1.对空的地方存在许多离散噪点;
2.边缘处存在许多飞点;
3.点云不够平滑。
对深度图进行滤波处理，可以有效的去除噪点，并获得更为平滑的点云数据。深度图的滤波可以分为以下三个部分：
1.深度图去噪;
2.深度图平滑;
3.深度图补全。
深度图去噪是指去除对空的噪点，物体边缘产生的飞点，以及指定范围外的点。深度图平滑是指对深度图像进行平滑，深度图平滑在点云上的表现是点云更平整，厚度更薄。深度图补全则是针对去噪及平滑后的深度图进行补充，输出更多的有效信息(本博文不涉及)。
深度图平滑函数如下图所示：
图1 深度图平滑函数
中值滤波：将指定方框内的数据进行排序，并选取中间的数据替代当前的像素值；
均值滤波：将指定方框内的数据进行求和，并取均值，选取均值替代当前的像素值；
双边滤波：一种非线性滤波器，可保持边缘，并进行降噪平滑。采用加权平均，具有两个权重；
深度图去噪函数如下图所示：
图2 深度图去噪函数
IR过曝滤除：将IR值大于指定阈值像素的深度值置为零，由于像素点过曝会影响周围像素，所以同时将过曝点周围的像素深度值置零，经验长度为2；
IR欠曝滤除：将IR值小于指定阈值像素的深度值置为零，该像素点置信度降低，计算出的深度值不可靠；
Sobel边缘去噪：边缘通常是物体交界处，会产生一定的噪点，利用sobel进行边缘检测，并将边缘点去除；
连通域面积去噪：检测深度图中的连通域，并计算其面积，将面积小于阈值的连通域中的像素的对应深度值置零；
法向量去噪：根据深度图计算法向量，并根据阈值将像素值对应的深度值置零；
分类梯度去噪：根据阈值1将深度图分为前景和背景；将前景中梯度大于阈值2的像素点对应的深度值置零；将背景中梯度大于阈值2的像素点对应的深度值置零。
使用TOF模组正对白墙，采集数据，并进行相应的滤波。
深度图平滑函数：
均值滤波：
a.原始点云 b.均值滤波核=3
c. 均值滤波核 d.均值滤波核=7
图3 均值滤波
中值滤波：
a.原始点云 b.中值滤波核=3
c. 中值滤波核=5 d. 中值滤波核=7
图4 中值滤波
双边滤波：
a.原始点云 b.双边滤波——参数40、80
c.双边滤波——参数50、100 d.双边滤波——参数60、120
图5 双边滤波
使用TOF采集如下场景的深度图，如下图所示：
图6 测量场景
深度图去噪函数：
过曝滤除：
a.原始点云 b.IR=thresh1
c.IR=thresh2
图7 过曝滤除
欠曝滤除：
a.原始点云 b.IR=thresh1
c.IR=thresh2
图8 欠曝滤除
sobel边缘去噪：
a.原始点云 b.sobel边缘去噪
图9 sobel边缘去噪
连通域面积去噪：
a.原始点云 b.area=10
c.area=30
图10 连通域去噪
法向量去噪：
a.原始点云 b.Normal
图11 法向量去噪
分段梯度去噪：
a.原始点云 b.梯度1
c.梯度2 d.梯度3
图12 分段梯度去噪
组合去噪：
组合去噪可以有效的弥补各种方法的缺点，对于复杂场景，组合去噪删除了绝大部分的噪点，同时又尽可能多的保留了有效点数据。
