ガウシアンフィルター vs メディアンフィルター：点群平滑化の効果比較

現代の測量や3Dスキャンでは、点群データ（3次元の座標点の集合）が広く利用されています。ドローンやレーザースキャナー、写真測量などから得られる点群は、地形や構造物の詳細を精密に表現できますが、同時にノイズ（不要なばらつきや外れ点）も含まれがちです。これらのノイズを適切に処理し、元の形状を滑らかに再現するために用いられるのが「平滑化フィルター」です。

平滑化フィルターには様々な種類がありますが、中でも代表的なのがガウシアンフィルター（Gaussian Filter）とメディアンフィルター（Median Filter）です。本記事では、これら二つのフィルターの理論と特性を解説し、点群データへの適用による効果の違いを比較します。ノイズの除去やエッジ（形状の境界）保持能力、演算コストなどの観点から両者を評価し、都市スキャンや森林測量、建築計測といったユースケース毎にどちらのフィルターが適しているか考察します。最後に、最新の点群処理ワークフローへの導入事例として、簡易測量と点群取得を行えるLRTKというソリューションへの自然な流れも紹介します。

それではまず、点群データの平滑化とは何か、その必要性と目的から見ていきましょう。

点群データの平滑化とは

平滑化とは、データの小さな凹凸やばらつきを均す処理のことです。点群データにおける平滑化は、測定誤差やセンサー由来のノイズによって生じた不要な微小変動を抑え、対象物の形状を滑らかに再現するために行われます。例えば、地面をスキャンした点群では、本来平坦なはずの道路面が機器のノイズで細かく凸凹してしまうことがあります。平滑化フィルターを適用すれば、そうした凸凹を均し、実際の路面形状に近づけることができます。

平滑化の目的は単なるノイズ除去に留まりません。余分な点やギザギザを取り除くことで、後続の処理（地形の解析や3Dモデルの生成など）が安定して行えるようになります。また、建物のエッジや地形の急斜面など、重要な形状の特徴を保ちながらノイズだけを減らすことで、エッジ保持とノイズ低減のバランスを取ることも求められます。適切な平滑化は、点群からメッシュ（ポリゴンモデル）を生成する際の表面再構成を改善し、データの見やすさや解析精度の向上にも寄与します。

しかし、過度の平滑化は逆に問題を引き起こします。必要以上に滑らかにしすぎると、点群が持つ細部のディテールやエッジまでも消えてしまい、形状がぼやけて精度が損なわれる恐れがあります。そのため、どの程度平滑化を施すべきか、そしてどの手法（フィルター）を用いるべきかは、データの種類と目的に応じて慎重に選択する必要があります。次に、代表的な二つの平滑化フィルターであるガウシアンフィルターとメディアンフィルターの原理と特性を詳しく見ていきましょう。

ガウシアンフィルターの理論と特性

ガウシアンフィルターは、統計的に「ガウス（正規）分布」に従う重みを用いた平均化処理です。元々は画像のぼかし処理（ガウスぼかし）として知られ、注目するピクセルの周囲の値を距離に応じたガウス関数で重み付けして平均化します。点群データにおいても、この考え方を拡張して適用できます。具体的には、ある点を平滑化する際、その近傍に存在する他の点との距離に基づいてガウス重みを計算し、近い点ほど重みを大きく、遠い点は重みを小さくして平均位置を求めます。その平均位置に点を移動させることで、局所的なノイズを抑え滑らかな点群を得ることができます。

ガウシアンフィルターの特徴は、線形フィルターであり、なだらかな平滑化効果をもたらす点です。フィルターの強さはガウス分布の標準偏差 (σ)で調整できます。小さなσではごく近傍の点のみを平均するため微細なノイズだけを除去し、大きなσではより広範囲をぼかすため大きな起伏も均されます。適切なσを選ぶことで、ノイズ低減と形状保持のバランスを調整可能です。ただし、σを大きくしすぎるとフィルターが攻撃的になり、対象物のエッジや細部もぼやけて失われてしまう点に注意が必要です。

ガウシアンフィルターは、ランダムな誤差や機器由来の微小な揺らぎ（いわゆるガウスノイズ）を平均化して滑らかにするのに適しています。例えば、平面部分のわずかなノイズを減らして面を平坦に近づけたり、曲面上のざらつきを軽減したりする場面で効果的です。また、線形フィルターであるため計算量も比較的抑えやすく、近傍点の加重平均というシンプルな処理で並列化もしやすい利点があります。大量の点を含む大規模な点群データに対しても、適切に実装すれば高速に適用可能です。

一方で、ガウシアンフィルターはエッジの保持という点で課題があります。点群中に急激な高さ変化や物体の境界がある場合、その領域にフィルターをかけると、高い側と低い側の点が混ざって平均化され、境界が曖昧になってしまいます。例えば、建物の角の部分や地表と樹木の接地部分など、本来くっきり分かれているべきところが平滑化によって丸まってしまうことがあります。これはガウシアンフィルターがあくまで「距離」に基づいて重み付けを行い、点の属性（高さや色など）の違いを考慮しないためです。そのため、エッジを鮮明に保つ必要がある場合には、後述するメディアンフィルターや、より高度なエッジ保存型のフィルター（例えばバイラテラルフィルター）を検討する必要があります。

メディアンフィルターの理論と特性

メディアンフィルターは、近傍データの中央値 (median)を採用する非線形な平滑化手法です。画像処理では「塩胡椒ノイズ」と呼ばれる白黒の点ノイズ除去に効果的なことで知られていますが、点群データにも応用できます。原理はシンプルで、注目する点の近傍にある点群の位置（または高さなどの値）を集めてその中央値を計算し、注目点をその中央値の位置に置き換えるというものです。中央値は極端に他と異なる値（外れ値）の影響を受けにくいため、外れ点を除去する目的に適しています。例えば、周囲より飛び抜けて高い位置にある誤計測の点が一つ混ざっていても、中央値を取ればそれは近隣点の大多数から外れた値なので排除されます。その結果、孤立したノイズ点を効果的に取り除きつつ、全体の形状を大きく崩さない点群平滑化が可能となります。

メディアンフィルターの大きな利点は、エッジを比較的よく保持できることです。平均ではなく中央値を使うため、異なる面が交わる境界部分でも、一方の面の点が他方に引きずられて中間値に寄ることがありません。極端な例として、平面Aと平面Bが直角に交わるエッジがある場合、ガウシアンフィルターではA側とB側の点が平均化されて角が丸まってしまう可能性があります。しかしメディアンフィルターなら、近傍の点の中央値はA側・B側いずれかの面上の位置となるため、結果としてエッジがシャープなまま残りやすいのです。この性質から、建物の角や地形の段差など明瞭な境界を含む点群では、メディアンフィルターが形状を保ったノイズ低減に適しているといえます。

一方、メディアンフィルターは非線形フィルターゆえに計算コスト面でやや重くなる傾向があります。中央値を求めるには、近傍点のソート（順位付け）が必要になるため、同じサイズの窓（近傍領域）で比較すると単純平均を取るガウシアンフィルターよりも処理時間がかかる場合があります。また、点群が非構造化（隣接関係が明確でない生データ）の場合、近傍点の探索自体にも時間を要します。ただし最近ではアルゴリズムの工夫や並列処理によって、大規模データでも実用的な速度でメディアンフィルターを適用できるようになってきています。

メディアンフィルターにも注意点があります。それは、フィルター窓内の点の分布によっては、出力が実際の形状からずれる可能性があることです。中央値はあくまで近傍点の中間の値なので、必ずしも元データの平均的な位置とは一致しません。場合によっては、本来滑らかに変化すべき箇所で階段状の段差を生むこともありえます（いわゆる階段効果）。また、孤立した外れ点が完全に除去されずに窓内に残り続けると、その点自体が中央値に選ばれてしまうケースもあります。しかし、適切な窓サイズ（近傍範囲）を選択し、必要に応じて何度か繰り返しフィルターを適用することで、こうした問題は緩和できます。総じて、メディアンフィルターはエッジ保持とノイズ除去のバランスに優れた手法として、点群処理でも有用なツールとなっています。

ガウシアンフィルターとメディアンフィルターの比較

ここまで見てきたように、ガウシアンフィルターとメディアンフィルターにはそれぞれ長所と短所があります。主な相違点をまとめると次の通りです。

• ノイズ除去の特性: ガウシアンフィルターはランダムな微小ノイズを平均化して滑らかにするのに適しています。一方、メディアンフィルターは極端な外れ点（インパルスノイズ）の除去に優れています。つまり、前者は全体的なざらつきを低減するのが得意で、後者は「点」のような孤立ノイズを消し去るのが得意です。

• エッジ保持能力: メディアンフィルターはエッジを比較的鮮明に保つことができます。ガウシアンフィルターはエッジをぼかしてしまう傾向がありますが、メディアンフィルターでは異なる面の点が混ざり合わず、境界が維持されやすくなります。そのため、形状のディテールを保ちたい場合にはメディアンに軍配が上がります。

• 平滑化の度合い: ガウシアンフィルターはσ値によって平滑化の強度を連続的に調整できます。滑らかさの度合いをコントロールしやすい反面、強くかけすぎると必要な特徴まで失われます。メディアンフィルターはフィルター窓の大きさを変えることである程度平滑化の強さを調整できますが、出力は近傍点の中央値そのものになるため、連続的なコントロールという点ではガウシアンほど細かくはありません。

• 計算コスト: 一般に、ガウシアンフィルターの方が計算効率が良い傾向があります。単純な加重平均で済むためです。メディアンフィルターは中央値計算に時間を要する分、大規模データセットでは処理時間が増える可能性があります。ただし実際の性能は実装次第で、近年は大規模点群でも並列処理により実用十分な速度を達成できます。

• 局所密度への影響: ガウシアンフィルターでは各点が周囲との平均を取るため、点群の密度そのものは変わりませんが、密集度のムラが少し均質化される傾向があります。メディアンフィルターでは外れ点が周囲の点に同化（位置が置き換え）されることで、結果的に局所的な点のばらつきが減ります。つまり、どちらのフィルターも点群密度に直接影響を与えるわけではありませんが、ノイズ点が除去・緩和されることで見かけ上データが均一に分布しているように感じられる効果があります。

以上を踏まえると、ガウシアンフィルターとメディアンフィルターはそれぞれ異なる状況で有効に機能します。次章では、実際のユースケース（都市環境、森林データ、建築計測）において、どちらのフィルターが適しているかを具体的に考察します。

点群平滑化の適用例

都市スキャン（市街地）の点群データ

都市の街路や建物外観を3Dスキャンして得られる点群データでは、ビルの稜線や道路の縁石など明確なエッジを持つ構造が数多く含まれます。また、車両や歩行者など移動体による一時的な点群ノイズや、ガラスや水面の反射で生じる外れ点も混在しがちです。こうした市街地の点群に平滑化フィルターを適用する場合、メディアンフィルターが適しているケースが多いです。理由は、メディアンフィルターがエッジを保護しつつ、孤立した外れ点ノイズを除去するのに優れているためです。建物の角や縁がぼやけてしまっては、せっかくの測量データの価値が下がってしまいますが、メディアンフィルターであれば形状を損なわずにノイズのみ低減できます。

一方で、広い平坦面（例えば道路や壁面）が主体の部分では、ガウシアンフィルターによる微小ノイズの平滑化も有効です。例えば道路面についた細かな計測ノイズをガウシアンフィルターでならすと、路面がより真っ直ぐでフラットに見えるようになります。ただしガウシアンを適用する際も、σを小さめに設定してエッジ部分では過度にぼかしすぎないように注意する必要があります。実際の運用では、まずメディアンフィルターで明らかな外れ点を除去し、その後ガウシアンフィルターで面を滑らかにする、といった二段構えの処理を行うこともあります。都市スキャンのユースケースでは、エッジ保持を重視するならメディアン、面の滑らかさを重視するならガウシアンという使い分けが有効でしょう。

森林エリアの点群データ

森林や山岳地帯をレーザースキャンした点群データでは、無数の樹木の葉や枝によって点が非常に密かつ不規則に分布します。地面（地表面）と樹冠（森林の上部）という全く異なる高さの構造が混在し、さらに測定時の大気中の粒子や鳥などに由来する孤立点ノイズが含まれることもあります。このようなデータセットでは、まずメディアンフィルターによる外れ点除去が有効です。周囲から明らかに浮いた位置にある点は中央値によって排除されるため、散在する誤検出点を削減できます。特に森林では、「これは木の葉なのか単なるノイズなのか」と判断に迷う微少点が多数ありますが、メディアンフィルターであれば統計的にあり得ない位置にある点を自然に取り除けます。

一方、森林点群では明確な「エッジ」が少ないため、ガウシアンフィルターを適用しても都市部ほど形状劣化が目立たない場合があります。例えば、地表面の点群にガウシアンフィルターをかけて滑らかな地形モデルを得る、といった使い方が考えられます。森林地帯では地面の点が草や低木によるざらつきで凸凹していることが多いですが、適度なσでガウシアン平滑化すれば、起伏の全体傾向を保ちつつ細かな凸凹を平均化できます。ただし注意点として、樹木の点群自体（樹冠や幹の点群）に強い平滑化を施すと、本来個々の木が持つ形状の差異が失われ、複数の木の点群が一様につながってしまう恐れがあります。ガウシアンフィルターは近接する点同士をぼかすため、隣り合う樹木や枝葉の点群が融合してしまい、解釈が難しくなる可能性があるのです。そのため森林データでは、ノイズ除去にはメディアンフィルター、地表面の平滑化にはガウシアンフィルターといった具合に、対象（樹木なのか地形なのか）に応じてフィルターを使い分けるのが望ましいでしょう。総じて、自然環境の点群では過度な平滑化は禁物であり、必要最低限のフィルター処理に留めて実データの特徴を残すことが重要です。

建築計測の点群データ

建物内部や構造物の詳細を計測した点群データでは、壁・床・柱・梁といった人工物の平面や直線エッジが多く含まれます。建築分野ではこれらの寸法や形状を正確に把握することが求められるため、点群処理においてもエッジやコーナーの高い忠実性が重要です。例えば、壁と天井の取り合い部分の直角や、柱の角のエッジが丸まってしまうと、そこから作成する図面やBIMモデルに誤差が生じてしまいます。そのため、建築計測の点群ではメディアンフィルターによるノイズ除去が特に有効です。メディアンフィルターであれば、壁面上の僅かな測定ノイズ（点が面からわずかに浮いているようなばらつき）を取り除いても、壁と柱の境界ラインはぼやけずに保持できます。また、窓ガラスの反射で生じた遠方の外れ点や、一時的に映り込んだ人や機材の点も、中央値に基づくフィルター処理で消去しやすくなります。

一方、ガウシアンフィルターは建築の点群に対して適用する際は慎重さが必要です。確かに、高品質なレーザースキャンであっても壁や床には微小なノイズが付帯するため、それらをガウシアン平滑化で軽減すれば面がより均一に見える利点はあります。しかし、少しでもσを大きく設定しすぎると、ドア枠やエッジの効いたデザイン要素など細部が丸まってしまうリスクがあります。特に建築物では、角が鋭利であること自体が重要な情報であるため、平滑化によるメリットよりもディテール損失のデメリットが上回りがちです。したがって、建築計測データでは基本はメディアンフィルターでノイズ点を除去し、必要最小限の平滑化に留める方針が望ましいでしょう。ガウシアンフィルターを使う場合でも、ごく弱いぼかしでセンサー起因の微細な粗れを取る程度に留め、構造上のエッジが損なわれないか注意深く確認することが重要です。

建築の点群は対象範囲が限定的で点数も比較的少ないことが多いため、処理時間よりも精度保持が優先されます。この意味でも、たとえ計算コストが多少増えてもエッジを守れるメディアンフィルターの価値が高いと言えます。建築現場で取得した点群データを後処理する際は、こうしたフィルター選択の工夫によって、より正確で扱いやすい成果物を得ることができるでしょう。

平滑化効果の定量評価と密度への影響

フィルター適用後の点群が元データや真の形状に対してどれほど改善したかを評価することも重要です。定量評価の一例として、点群を元の測定値と比較して誤差を算出する方法があります。例えば、既知の平面をスキャンした点群にフィルターをかけ、その後点と理想的な平面との距離の二乗平均平方根 (RMSE) を求めるといった手法です。一般に、ガウシアンフィルターは小さなノイズ成分を平均化するため、全体的なRMSE値や標準偏差を低減させるのに効果的です。一方、メディアンフィルターは大きく外れた点を元の分布に引き戻す作用が強いため、最大誤差や外れ値由来の偏差を大幅に縮小する効果があります。言い換えれば、ガウシアンは平均誤差の低減に優れ、メディアンは最悪誤差の低減に寄与しやすい傾向があります。ただし、具体的な改善量はデータの性質とノイズの種類に依存するため、実際のプロジェクトでは小さな検証用データセットでフィルター適用前後の誤差指標を比較してみることが推奨されます。

定性的な評価としては、平滑化前後の点群を可視化し、表面の滑らかさやエッジの鮮明さを目視確認する方法があります。ガウシアンフィルターをかけた点群は全体に滑らかで連続的な印象となり、粗いざらつきが減っているのが分かります。一方、メディアンフィルター後の点群はエッジがくっきり残りつつノイズ点が消えているため、要所はシャープなままノイズだけ減ったような印象を受けます。エッジ近傍での挙動を詳しく見ると、ガウシアンでは異なる面の境界がぼやけて繋がったり、中間の位置に点が配置されたりするのに対して、メディアンでは点の配置が元の面の位置に沿った形で保たれていることが確認できます。これらの違いは、最終成果物（例えばレンダリング画像やモデル断面）にも現れ、ガウシアン平滑化した場合は柔らかな曲面風の外観、メディアン平滑化した場合はエッジの立ったはっきりした外観になると言えるでしょう。

最後に、平滑化処理が点群密度に与える影響について触れます。基本的に、これらのフィルターは既存の点の位置を動かすだけで、新たな点を生成したり既存の点を削除したりはしません（極端な外れ点が中央値の計算で除外され結果的に孤立する場合を除けば）。そのため、点群全体の平均的な点密度や点数は変化しません。しかし、局所的に見ると、ノイズ点が除去・移動することで密度の分布が滑らかになる効果があります。例えば、一点だけ飛び出していた点が平滑化によって周囲の面上に戻れば、飛び出し点がいた空間は点がない空隙となり、代わりに周辺面の点密度がわずかに高まったように見えるでしょう。このように、平滑化後の点群はノイズが減った分だけデータが面になじみ、結果として点のばらつきが減少します。ただし、元々観測密度が不足している領域を補完することはできないため、点群密度そのものを向上させるには別途補間や再スキャンが必要である点に留意が必要です。

まとめ

ガウシアンフィルターとメディアンフィルターは、点群データのノイズ処理・平滑化において二大基本手法と言える存在です。本記事では両者の理論的な違いから始まり、ノイズ除去性能、エッジ保持能力、計算効率、適用例、そして効果の評価方法に至るまで詳しく比較検討しました。要点を振り返ると、ガウシアンフィルターは滑らかな平均化によって全体的なざらつきを低減するのに優れ、メディアンフィルターは外れ点を排除しつつ重要な形状を保つことに優れていました。どちらが優れているかはデータと目的次第であり、場合によっては両者を組み合わせて段階的に適用することで、ノイズ除去と形状保持のバランスを最適化できます。

実務においては、これらフィルター処理をいつ・どこで行うかも重要です。最近では、点群データ取得から平滑化処理までを一貫して行えるツールやサービスが登場しています。その一例がLRTKです。LRTKを用いれば、現場でスマートフォン等による簡易測量で点群を取得し、そのままクラウド上でノイズ除去や平滑化のフィルター処理を施すことが可能です。専用の高価なソフトウェアを使用せずとも、LRTKプラットフォーム上でガウシアンフィルターやメディアンフィルターによる点群加工がシームレスに実行できるため、測量からデータ整形までの流れが飛躍的に効率化します。

これから点群データを扱う技術者の方は、データの特性に応じて適切なフィルターを選択し、ノイズを抑えつつ形状を活かした処理を心がけると良いでしょう。そして最新のソリューションも活用しながら、フィールドで取得した点群を迅速にクリーンアップして、有効活用していってください。本記事の比較がその一助となれば幸いです。