ガウシアンフィルターで点群データのノイズ除去・精度向上を実現する方法

点群処理の基本とノイズの問題

3DスキャナーやLiDAR、写真測量などで取得される点群データは、現実世界の座標を多数の点の集合として記録したものです。点群には対象物の形状情報が含まれますが、その取得過程で避けられないノイズも常に含まれています。例えば、レーザースキャナーで地形を測量するシーンを考えてみましょう。地表面の反射特性やセンサー自体の測定誤差、環境要因（雨や粉塵、日光の干渉など）によって、本来あるべき地形面から外れた位置に点が記録されることがあります。構造物のスキャンでも、鋼材のエッジでレーザーが乱反射したり、GPSが受信しづらい場所では位置にばらつきが生じたりして、「影の点」とも呼ばれる不正確な点が混入することがあります。

このように、取得されたままの点群には大小様々なノイズ点や外れ値が含まれており、そのままでは後続の解析やモデリングの精度に悪影響を及ぼします。例えば、ノイズの多い点群から表面の形状を推定しようとすると、局所的に異常な凹凸が発生してしまい、正確な体積計算や形状判定が困難になります。また、建設現場における出来形（出来上がり形状）の検証では、設計図と取得点群を比較して施工精度を評価しますが、点群にノイズがあると誤差が大きくなり誤判定を招く恐れがあります。そのため、点群処理においてノイズ除去や平滑化（スムージング）は非常に重要なステップとなっています。

ノイズ除去と平滑化が求められる理由

点群データからノイズを除去し平滑化を行うことには、いくつかの明確なメリットがあります。

• 計測誤差の低減: センサーの測定誤差によるバラツキ（ランダムノイズ）を平均化することで、各点の位置をより実際の形状に近づけます。これにより、点群データ全体の精度向上が期待できます。

• 形状の識別性向上: ノイズが除去された点群では、平面や曲面などの形状が滑らかに表現され、エッジや境界も明瞭になります。これにより、地形の起伏や構造物の形状を視覚的にも解析的にも把握しやすくなります。例えば、法面（のりめん）勾配や道路のうねり具合も、ノイズが多いデータより平滑化後のデータの方が正確に評価できます。

• 出来形管理での信頼性: 施工現場では、設計面と現況点群との差分を調べて盛土・切土量を算出したり、構造物の出来形寸法を確認したりします。ノイズが多いと、差分計算で本来必要ない細かな誤差まで拾ってしまい、不要な追加工事や手直し判断につながりかねません。平滑化した点群であれば、真の形状との差分を正確に捉えやすく、出来形検証の信頼性が向上します。

• データ処理の効率化: 点群から明らかな外れ値（極端に離れた点）を除去することで、後続のデータ処理が軽減されます。ノイズの多い生データよりも、クリーニング済みの点群データの方がサイズも小さくなり、パソコンやクラウド上での処理時間を短縮できます。

以上の理由から、点群計測後には適切なフィルターを用いてノイズ除去・平滑化を行うことが推奨されます。それでは具体的に、ガウシアンフィルターと呼ばれる手法に焦点を当てて、点群データの平滑化について解説していきます。

ガウシアンフィルターとは何か

ガウシアンフィルター（Gaussian filter）とは、ガウス分布（正規分布）に基づく重み付けを用いてデータを平滑化するフィルターのことです。もともとは画像処理の分野で一般的に使われており、「ガウスぼかし」とも呼ばれます。例えば2D画像にガウシアンフィルターを適用すると、注目ピクセルの周囲の画素値をガウス分布に従った重みで平均することで、画像を滑らかにぼかします。中心のピクセルに最も大きな重みを与え、距離が離れるほど指数関数的に重みを小さくするため、エッジ（輪郭）をある程度保持しつつノイズを低減できるのが特徴です。これは、単純に全画素を均等平均するフィルターよりも元の形状を保ったノイズ低減が可能であり、画像中の細かいゴマ塩ノイズ（インパルスノイズ）以外のランダムノイズに対して高い効果を発揮します。

このガウス分布による平滑化の考え方を、3Dの点群データに拡張したものがガウシアンフィルターによる点群平滑化です。点群の場合は画像のような規則的なピクセル格子が存在しないため、まず各点の近傍にある点を集め、その点集合に対してガウス重みの平均を計算します。ガウシアンフィルターでは、近い点ほど大きな重み、遠い点ほど小さな重みを持たせて平均座標を求めます。これにより、局所的な凸凹をならし、滑らかな点群表現を得ることができます。

ガウス関数の標準偏差σ（シグマ）がフィルターの強さを決めるパラメータで、σが大きいほど広範囲の点をぼかす（強く平滑化する）効果があります。ただし、σが大きすぎると元の形状の細部（エッジや小さな起伏）まで消えてしまうため、適切な値を選ぶことが重要です。

点群へのガウシアンフィルター適用方法と近傍探索

点群データにガウシアンフィルターを適用する際には、「どの範囲の点を平均化するか」という近傍領域の定義と、その計算手法がポイントになります。代表的な近傍探索の方法として以下の2つがあります。

• k近傍法（k-Nearest Neighbors）: 対象とする各点について、空間的に最も近いk個の近傍点を探索し、その集合を平滑化に用います。例えば「各点について最も近い20点」のように設定し、それらの点との距離に応じて重みをつけて平均します。k近傍法は実装が容易で局所的に一定数の点を使えるメリットがありますが、点群の密度が不均一な場合には、距離が遠い点まで含まれてしまったり逆に狭い範囲に留まったりする可能性があります。

• 半径近傍法（Radius Neighbors）: あらかじめ決めた半径Rの球（3Dの場合）あるいは円（2Dの場合）を想定し、その範囲内に入る点を近傍点として集めます。例えば「半径50cm以内に存在する点を近傍とする」などの条件で点を集め、それらにガウス重みをかけて平均します。半径近傍法では物理的な距離スケールで範囲を決められるため、点群密度に依存せず一定の空間範囲で平滑化できる利点があります。ただし、点の疎密によっては近傍点の数が極端に少なかったり多かったりして、結果にムラが出ることもあります。

これらの近傍探索で集められた点に対し、距離dに応じた重みw = exp(-(d^2)/(2σ^2))などのガウス関数を適用して平均を計算します。計算の際には、各点ごとにKD-treeなどの空間インデックスを使って近傍点を効率良く検索するのが一般的です。得られた加重平均により、元の点の位置を平滑化後の新しい位置に更新するか、あるいは新たな点群として出力します。

ガウシアンフィルターの利点は、単純な平均に比べて外れ値に引きずられにくいことです。遠方にある異常な点（外れ値）はガウス重みが極めて小さくなるため、平均への寄与が無視できるほど小さくなります（場合によっては一定距離以上は近傍に含めない閾値を設ける実装もあります）。一方で、通常の範囲に存在する点は適度に平均化されるため、小さなジッター（揺らぎ）がならされて滑らかになります。

ただし、注意点として、近傍内に形状のエッジ（段差や角）が含まれる場合、フィルターによってそのエッジが丸まってしまうことがあります。例えば、直角に交わる壁のコーナー部分を平滑化すると、2つの壁面の境界がぼやけてしまいます。そのため、重要なエッジを残したい場合はフィルターの半径やσを小さめに設定する、あるいはエッジ部分は別途マスクして平滑化しないなどの工夫が必要です。

土木現場でのガウシアンフィルターの効果と精度向上

ガウシアンフィルターによる平滑化が、実際の土木測量や構造物計測の現場でどのような効果をもたらすか、具体的に考えてみましょう。

まず、地形測量（例: 盛土・切土の出来形管理）でのケースです。ドローンや地上型LiDARで法面や造成地をスキャンすると、大量の地形点群が得られますが、地表面上の草木や重機、人などに起因するノイズ点も混入します。これらをガウシアンフィルターで平滑化・除去すると、地表面の点群が本来の滑らかな面として表現され、微細なデコボコが消えた地形モデルが得られます。これにより、盛土・切土の体積計算が正確になり、余分なノイズに左右されない土量算出が可能になります。また、法面勾配の測定では、ノイズのせいで所々急な勾配に見えていた箇所も平滑化後は実際の平均勾配に近い値で安定します。現場では、これによって設計値との比較が明確になり、必要な補正作業を的確に判断できるようになります。

次に、構造物の計測（例: 橋梁やトンネルの点検）でのケースです。高精度な点群スキャンはコンクリート表面の微細な凹凸や変状も捉えますが、それと同時にセンサーのノイズも含みます。例えばトンネル内壁をスキャンした点群では、数ミリ程度の微小なノイズが全体に付加されることで、平滑なはずの壁面がザラザラと見えてしまうことがあります。ガウシアンフィルターでこの点群を平滑化すると、壁面の不要なザラつきが消え、本当に注目すべき変状（たとえば膨れや剥離痕など）だけを浮き彫りにできます。橋梁のスキャンでも、リベットやボルトといった細部以外の部分は滑らかになるので、全体的な歪みやたわみを把握しやすくなります。特に、大局的な平面性の評価（「この床板は全体として平らか？」など）にはガウシアン平滑化が有効です。ランダムな外れ点に左右されず、平均的な面の傾向を把握できるため、平面度の検証結果が安定します。

このように、ガウシアンフィルターを適用した点群データは、ノイズが原因の誤差成分が減少するため解析精度が向上します。具体的な精度検証事例として、平滑化前後で基準面とのRMSE（二乗平均平方根誤差）を比較すると、平滑化後には誤差が半分以下に減ったといった報告もあります。また、出来形管理要領に沿った計測では、標定点による位置補正と併せて平滑化処理を行うことで、最終的な納品成果物としての品質が高まることが期待できます。

ガウシアンフィルターと他のフィルター手法の比較

点群のノイズ除去にはガウシアンフィルター以外にも様々な手法があり、それぞれ特徴があります。ここでは、ガウシアンフィルターと代表的な他手法であるメディアンフィルターおよび平面フィッティング（平面近似）による平滑化について比較します。

• メディアンフィルター: メディアンフィルターは、近傍点の中央値を取ることで外れ値の影響を除去する手法です。画像処理では塩胡椒ノイズの除去によく使われますが、点群でも近傍のx座標・y座標・z座標それぞれの中央値を計算して新しい点の位置を決める、といった応用が考えられます。長所は、単一の極端な外れ点が混入していても中央値には反映されないため、インパルス的なノイズに非常に強いことです。小さな範囲でも効果を発揮し、点群中の孤立したゴミ点を除去するのに向いています。一方短所は、平均ではなく中央値を取るためデータの細かな揺らぎをならす効果はガウシアンより弱いことです。またウィンドウ（近傍範囲）を大きくし過ぎると形状のエッジが丸まったり、実在しない位置に点が移動してしまう可能性もあります。

• 平面フィッティング（移動最小二乗法など）: 平面フィッティングによる平滑化とは、各点の近傍に仮想的な面（または曲面）を当てはめ、その面上に点を再配置する手法です。代表的なものに移動最小二乗法 (Moving Least Squares; MLS) があります。この方法では、ノイズを含む点群から局所的に最も近い数学的平面を求めることで、ノイズを除去しつつ元の形状に沿った平滑化を実現します。ガウシアンフィルターとの違いは、平均ではなく幾何学的に最も近い面で近似する点です。長所として、曲面や平面が含まれるデータでは非常に滑らかで高精度な結果が得られ、細かなノイズを徹底的に除去できます。特に、部材表面のように明確な面がある場合、その面が再現されやすくなる利点があります。しかし短所として、計算コストが高く処理時間がかかる点と、近傍に複数の異なる面（エッジ部分など）があるときに平均化されてしまい形状がぼやける点が挙げられます。また、アルゴリズムが複雑で実装も難易度が高めです。

以上をまとめると、ガウシアンフィルターは重み付き平均による手軽な平滑化手法で、ランダムノイズ低減に優れ実装もしやすいというバランスの取れた方法です。他方、メディアンフィルターは極端な外れ値除去に効果的、平面フィッティング系は高精度な曲面復元に有効、と使い分けられます。実際の点群処理では、段階的に複数のフィルターを組み合わせることもあります。例えば「統計的外れ値除去（Statistical Outlier Removal）で明らかな外れ点を消した後、ガウシアンフィルターで微細ノイズを平滑化する」といったワークフローにより、それぞれのフィルターの強みを活かしたノイズ処理が可能です。

LRTKで取得した点群を効率的に扱うためのフィルター処理

近年では、スマートフォンを用いた手軽な高精度測量システムとして[LRTK](https://lrtk.lefixea.com)が登場し、土木測量の現場で注目を集めています。LRTKはスマホに接続するcm級GNSS受信機（RTK）とスマホ内蔵のLiDARスキャナーを組み合わせ、現場を歩き回るだけで絶対座標付きの詳細な点群データを取得できるソリューションです。このようにして得られる点群データを効率的に扱う上でも、フィルター処理は重要な役割を果たします。

スマホによる点群スキャンでは、従来のレーザースキャナーと比べて手軽にデータ取得できる反面、一度に取得する点群の量が非常に多く、またスマホLiDAR特有のノイズも含まれます。LRTKでは取得データをクラウド上にアップロードし、自動的に点群のノイズ除去や不要点の削減処理が行われます。例えば、複数回のスキャンから生じた重複点や人・車などの動態物による点群がクラウド上で検出・除去され、整然としたクリーンな点群が生成されます。さらに、ガウシアンフィルターによる平滑化処理も組み合わせることで、地形面や構造物表面のばらつきが軽減された高品質な点群データに仕上げられます。その結果、点群のデータ量が削減されるとともに、後続の解析（例: 出来形のヒートマップ表示や土量計算）の精度とスピードが向上します。

フィルター処理を施したLRTK点群は、ノイズによる誤判定が少ないため、現場ですぐに計測結果を活用できます。たとえば、現場でスキャン直後にスマホ上で出来形ヒートマップを表示して設計との差異を確認する際も、ノイズが除かれていれば色分布が明瞭になり、一目で過不足土量や施工ミスの箇所を把握できます。従来はデスクトップPCに点群を持ち帰ってから手作業でノイズ除去していた工程が、LRTKでは現地で自動処理されるため、大幅な業務効率化につながります。

まとめ：スマホRTK×点群スキャン×ガウシアン平滑処理による新たなワークフロー

本記事では、ガウシアンフィルターを用いた点群データのノイズ除去・平滑化方法について、基本概念から応用例まで解説しました。点群には必ず含まれるノイズを低減し、データの精度と扱いやすさを向上させるガウシアンフィルターは、土木測量や3Dスキャンの実務において非常に有用なツールです。特に、計測誤差の補正や出来形管理の精度向上に寄与する点で、現場技術者・研究者の双方にとって価値のある手法と言えるでしょう。

近年は、スマートフォンとRTK測位、そして3Dスキャン技術を組み合わせたスマホRTK×点群スキャンという新たなワークフローが実用化されています。LRTKはその代表例であり、現場で誰でも短時間に高精度点群を取得し、自動でガウシアン平滑化などのフィルター処理まで行えるプラットフォームです。その結果、取得から解析までの一連のプロセスが簡素化され、従来に比べて圧倒的にスピーディーに精度検証や出来形確認が可能となっています。

従来は専門ソフトで時間をかけていたノイズ処理も、LRTKのようなシステムを導入すれば現場でリアルタイムに完結できます。スマホRTKによる測位の信頼性と、点群スキャンの詳細度、そしてガウシアンフィルターの平滑化効果を組み合わせたこのワークフローは、土木・建設業界におけるDX（デジタルトランスフォーメーション）を強力に後押しするでしょう。もし皆さんの現場で点群データのノイズや処理時間に課題を感じているなら、ガウシアンフィルターの活用とともに、最新のスマホ点群ソリューションであるLRTKの導入も検討してみてはいかがでしょうか。