PCL的MLS（移動最小二乘法）平滑效果調節

雖然PCL把MLS（移動最小二乘法）放在Surface類下，但是通過工程師的使用經驗發現，MLS對點云數據進行處理后，輸出的點云表面更加平滑了，可以對一些離群的噪點進行過濾，類似Filter的作用。

采集一組經過拼接后的人臉點云數據，原數據存在一些噪點。原數據以及經過MLS平滑處理過的點云數據，再經過泊松曲面重建如下。通過對比可以展示這種平滑調節效果。此類由基類CloudSurfaceProcessing派生，生成對象的方式也很簡單，如下：

pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;

其成員函數inline void setSearchRadius(double radius)  擬合半徑。在這個半徑里進行表面映射和曲面擬合。從測試結果可知：半徑越小擬合后曲面的失真度越小，反之有可能出現過擬合的現象。

對原數據進行泊松曲面重建

對原數據直接進行泊松曲面重建，由于數據噪聲，人臉表面不夠平滑。

對經過MLS處理后的點云數據進行泊松曲面重建（MLS擬合半徑3.5mm）對原數據進行MLS處理，擬合半徑3.5mm，再進行泊松曲面重建。經過處理，人臉表面平滑了一些。

對經過MLS處理后的點云數據進行泊松曲面重建（MLS擬合半徑6.0mm）對原數據進行MLS處理，擬合半徑6.0mm，再進行泊松曲面重建。經過處理，人臉表面平滑了很多，以至于有較大程度的失真。

可見，MLS對點云進行處理，可以對表面進行平滑，去除離群噪點，同時也會產生一定程度的失真。