Matlab通过GUI实现点云的均值滤波(附最简版)
本节我们分享使用Matlab进行点云的均值滤波。均值滤波（Moving-Average Filter）是点云预处理中最基础、最常用的线性平滑方法之一。其思路是对每个点在其 k-邻域（或 r-半径邻域）内计算几何坐标的算术平均，用该均值替代原始点位置，达到抑制零均值随机噪声、平滑表面的目的。与高斯滤波相比，均值滤波模板权重均匀、计算量小；与中值滤波相比，它对高密度小幅度噪声更敏感，但保持边缘能力稍弱，因此常作为“粗去噪”或“预平滑”步骤出现。
一、MATLAB 主要实现流程
1. 读取与可视化
ptCloud = pcread('scene.ply'); % 支持 ply/pcd 等格式 pcshow(ptCloud); title('原始点云');2. 添加噪声（可选，用于算法验证）
noise = normrnd(0,0.002,size(ptCloud.Location)); % N(0,σ) noisyXYZ = ptCloud.Location + noise; ptCloud = pointCloud(noisyXYZ);3. 直接调用内置平滑函数（最快）
% 按“movmean”方式对 x/y/z 分别做滑动平均 smoothXYZ = smoothdata(ptCloud.Location,'movmean',k); % k 为窗宽 ptSmooth = pointCloud(smoothXYZ);4. 自定义邻域均值（精度高、参数灵活）
% 构建 KD-Tree 加速邻域搜索 [ids,~] = knnsearch(ptCloud.Location,ptCloud.Location,'K',k); neighborMean = zeros(size(ptCloud.Location)); for i = 1:ptCloud.Countidx = ids(i,:); % k 个最近序号neighborMean(i,:) = mean(ptCloud.Location(idx,:)); end ptSmooth = pointCloud(neighborMean);5. 结果可视化与保存
figure; pcshow(ptSmooth); title('均值滤波后'); pcwrite(ptSmooth,'scene_meanFilter.ply');二、关键参数与调优建议
- k（邻域点数）或 r（搜索半径）：越大则平滑越强，但会削弱细节；一般先取 20–50 或半径 5–10 mm 做试验，再按几何分辨率与噪声幅度微调。
- 距离阈值：可叠加“统计离群剔除”，对邻域平均距离超过 μ+α·σ 的点先剔除再求均值，兼顾去噪与保边。
- GPU/并行：若点云>10^6，使用 `knnsearch` 的 `'NSMethod', 'exhaustive', 'Distance', 'euclidean'` 并打开 `parpool` 可显著提高速度。三、典型应用领域
1. 三维重建：平滑无序扫描数据，减少网格重建后的“毛刺”与伪孔洞。
2. 工业检测：平滑铸件、机加件点云，提高后续配准与尺寸测量精度。
3. 自动驾驶：对车载 LiDAR 原始扫描做“粗去噪”，为地面分割、目标聚类提供更干净输入。
4. 室内/地下测绘：抑制手持 SLAM 点云的抖动噪声，增强可视化与制图效果。
5. 文物与医学：在保留关键纹理的前提下削弱设备电子噪声，便于曲面拟合与特征提取。四、小结
均值滤波因其原理简单、实现方便，在 MATLAB 环境下既可一行代码快速调用，又能基于 KD-Tree 自定义精细控制，是点云预处理链中“去随机噪、平滑表面”的首选工具；后续可串联统计滤波、体素下采样或法向重估，为配准、分割、重建等高级算法奠定高质量数据基础。
本次使用的数据是兔兔兔————窗帘！
一、点云均值滤波的程序
1、最简版
%% 0. 清空环境
clear; clc; close all;%% 1. 读入点云
[file, path] = uigetfile({'*.ply;*.pcd;*.xyz', '点云文件 (*.ply,*.pcd,*.xyz)'}, ...'请选择点云');
if file == 0; return; end
fname = fullfile(path, file);
ptCloud = pcread(fname);
N = ptCloud.Count;
fprintf('原始点云有 %d 个点\n', N);%% 2. 均值滤波（半径 50 mm）
radius = 50;
cloudMean = pcdMeanFilter(ptCloud, radius);
fprintf('均值滤波(半径=%d mm)后 %d 个点\n', radius, cloudMean.Count);%% 3. 可视化
figure('Name', '原始点云', 'NumberTitle', 'off');
pcshow(ptCloud); axis on; view(3);figure('Name', '均值滤波', 'NumberTitle', 'off');
pcshow(cloudMean); axis on; view(3);function out = pcdMeanFilter(pc, radiusMm)
% 均值滤波（模仿 block-wise 风格）
% pc : pointCloud 对象
% radiusMm : 邻域半径，单位 mm
xyz = pc.Location;
radius = radiusMm;
n = size(xyz, 1);
newXYZ = zeros(n, 3, 'single');kd = createns(xyz, 'NSMethod', 'kdtree');
block = 5000; % 按内存可调
for i = 1:block:nir = min(i + block - 1, n);idxCell = rangesearch(kd, xyz(i:ir, :), radius);for j = i:iridx = idxCell{j-i+1};newXYZ(j, :) = mean(xyz(idx, :), 1); % 均值坐标end
end
% 重建 pointCloud，保留颜色等信息
out = pointCloud(newXYZ, 'Color', pc.Color, ...'Normal', pc.Normal);
end2、GUI版本
function meanFilterGUI
% 均值滤波 GUI —— 2020a 兼容
% 1. 浏览选点云 2. 邻域半径/mm 滑块 3. 实时均值滤波 4. 保存结果fig = figure('Name','均值滤波工具','NumberTitle','off',...'MenuBar','none','ToolBar','none','Position',[100 100 1280 720]);%% ---------- 左侧图像区（78 %） ----------
imgWidth = 0.78;
panelW = imgWidth/2 - 0.01;pnlOrig = uipanel('Parent',fig,'Units','normalized',...'FontSize',16,'Position',[0.02 0.02 panelW 0.96],'Title','原始点云');
pnlFilt = uipanel('Parent',fig,'Units','normalized',...'FontSize',16,'Position',[0.02+panelW+0.01 0.02 panelW 0.96],'Title','均值滤波');axOrig = axes('Parent',pnlOrig,'Units','normalized','Position',[0.05 0.05 0.90 0.90]);
axFilt = axes('Parent',pnlFilt,'Units','normalized','Position',[0.05 0.05 0.90 0.90]);%% ---------- 右侧控制区（22 %） ----------
pnlCtrl = uipanel('Parent',fig,'Units','normalized',...'FontSize',16,'Position',[0.78 0 0.22 1],'Title','控制');txtH = 0.04;
btnH = 0.06;
gap = 0.02;
yTop = 0.94;% 1. 浏览
uicontrol('Parent',pnlCtrl,'Style','pushbutton','String','浏览…',...'FontSize',16,'Units','normalized','Position',[0.05 yTop-btnH 0.90 btnH],...'Callback',@loadCloud);
yTop = yTop - btnH - gap;lblInfo = uicontrol('Parent',pnlCtrl,'Style','text','String','未加载点云',...'FontSize',10,'Units','normalized','Position',[0.05 yTop-txtH 0.90 txtH],...'HorizontalAlignment','left');
yTop = yTop - txtH - gap;% 2. radius/mm
uicontrol('Parent',pnlCtrl,'Style','text','String','邻域半径 / mm',...'FontSize',12,'FontWeight','bold','Units','normalized','Position',[0.05 yTop-txtH 0.90 txtH],...'HorizontalAlignment','left');
yTop = yTop - txtH - gap;sliderR = uicontrol('Parent',pnlCtrl,'Style','slider','Min',1,'Max',100,'Value',50,...'FontSize',16,'Units','normalized','Position',[0.05 yTop-btnH 0.65 btnH],...'Callback',@refreshFilter);
txtR = uicontrol('Parent',pnlCtrl,'Style','edit','String','50',...'FontSize',16,'Units','normalized','Position',[0.75 yTop-btnH 0.20 btnH],...'Callback',@editRCB);
yTop = yTop - btnH - gap;% 3. 保存
uicontrol('Parent',pnlCtrl,'Style','pushbutton','String','保存滤波结果',...'FontSize',16,'Units','normalized','Position',[0.05 yTop-btnH 0.90 btnH],...'Callback',@(s,e)saveCloud(ptCloudFilt));%% ---------- 数据 ----------
ptCloudOrig = pointCloud.empty;
ptCloudFilt = pointCloud.empty;%% ---------- 回调 ----------function loadCloud(~,~)[file,path] = uigetfile({'*.pcd;*.ply;*.xyz','点云文件'},'选择点云');if isequal(file,0), return; endtryptCloudOrig = pcread(fullfile(path,file));catch MEerrordlg(ME.message,'读取失败'); return;endshowPointCloud(axOrig,ptCloudOrig);N = ptCloudOrig.Count;set(lblInfo,'String',sprintf('已加载：%s (%d 点)',file,N));refreshFilter();endfunction refreshFilter(~,~)if isempty(ptCloudOrig), return; endr = get(sliderR,'Value');ptCloudFilt = pcdMeanFilter(ptCloudOrig,r);showPointCloud(axFilt,ptCloudFilt);set(txtR,'String',num2str(r));endfunction editRCB(src,~)v = str2double(get(src,'String'));if isnan(v), v = 50; endv = max(1,min(100,v));set(sliderR,'Value',v);refreshFilter();endfunction saveCloud(cloud)if isempty(cloud)errordlg('请先完成均值滤波','提示'); return;end[file,path] = uiputfile({'*.pcd','PCD';'*.ply','PLY';'*.xyz','XYZ'},'保存滤波点云');if isequal(file,0), return; endtrypcwrite(cloud,fullfile(path,file),'Precision','double');msgbox('保存成功！','提示');catch MEerrordlg(ME.message,'保存失败');endendfunction showPointCloud(ax,pc)cla(ax); set(ax,'Color','w');pcshow(pointCloud(nan(0,3)),'Parent',ax); % 2020a 暖启动pcshow(pc,'Parent',ax,'MarkerSize',35);axis(ax,'tight'); grid(ax,'on'); view(ax,3);end%% ---------- 均值滤波核心 ----------function out = pcdMeanFilter(pc,radiusMm)xyz = pc.Location;n = size(xyz,1);radius = radiusMm; % 转米kd = createns(xyz,'NSMethod','kdtree');block = 10000; % 批查询xyzMean = zeros(n,3,'like',xyz);for i = 1:block:nir = min(i+block-1,n);idxCell = rangesearch(kd, xyz(i:ir,:), radius);for k = i:iridx = idxCell{k-i+1};if numel(idx)>0xyzMean(k,:) = mean(xyz(idx,:),1);elsexyzMean(k,:) = xyz(k,:); % 无邻域保持原值endendendout = pointCloud(xyzMean, ...'Color', pc.Color, ...'Normal', pc.Normal);end
end二、点云均值滤波的结果
使用依旧是GUI(真香！！)，通过调节均值半径，可以看到窗帘明显边沿噪声部分被抑制删除，感兴趣的童鞋可以自己再试试别的点云。
就酱，下次见^-^