🧠 什么是3D中间值振幅？
在三维信号处理与体素分析中，3D中间值振幅 是指在三维邻域（如 3×3×3 或自适应窗口）内，对所有体素/点的振幅值取中间值（中位数），作为该位置的代表性振幅。相比均值，中间值对异常离群点（如传感器噪声、伪影）具有天然的鲁棒性，广泛用于 LiDAR 点云滤波、MRI 振幅重建、地震数据体平滑 等场景。
📌 核心公式：
I'(x,y,z) = median{ I(x+dx, y+dy, z+dz) } ，其中 (dx,dy,dz) ∈ 邻域窗口。
⚙️ 中间值振幅 · 三大核心特性
🛡️
抗离群干扰
单个体素的极端振幅（如传感器飞点）不会显著影响中间值，特别适合原始三维扫描数据预处理。
🧩
边缘保持
相比均值滤波，中间值振幅能更好保留三维物体的尖锐边缘与结构细节，避免过度平滑。
📦
各向同性窗口
支持立方体、球形或自适应邻域，在三维网格中实现各向同性分析，保证振幅统计的一致性。
🌍 主要应用场景
🧬 医学影像
fMRI、CT 振幅体数据降噪，保留解剖结构，提升诊断清晰度。
📡 激光雷达点云
对强度/振幅通道进行中间值滤波，剔除离群点，增强地面分类。
🌍 地球物理
三维地震振幅体平滑，压制随机噪声，突出地层反射特征。
🔩 工业检测
对CT体数据振幅进行中间值分析，识别内部缺陷与夹杂物。
📊 中间值振幅 vs 均值振幅
| 特性 | 中间值振幅 | 均值振幅 |
|---|---|---|
| 鲁棒性 | ✅ 高 (抗离群) | ❌ 低 |
| 边缘保留 | ✅ 较好 | ⚠️ 模糊 |
| 计算效率 | O(n log n) | O(n) |
| 适用数据 | 含噪/离群点 | 高斯噪声 |
❓ 常见问题 · 3D中间值振幅
🧪 中间值振幅窗口大小如何选择？
一般推荐 3×3×3 或 5×5×5 体素窗口。对于高噪声数据，可增大窗口（如7×7×7），但会牺牲细节。建议根据点云密度或体素分辨率自适应调整。
📉 中间值振幅是否改变原始数据分布？
中间值滤波属于非线性平滑，会略微改变振幅直方图，但能有效抑制拖尾噪声。在定量分析中常作为预处理步骤，后续可结合直方图匹配恢复分布。
⚡ 三维中间值计算太慢怎么办？
可使用快速中值算法（如 Huang 直方图递推）或基于 GPU 的并行中值。对于点云，可利用体素化加速，仅对非空体素计算中间值振幅。
🧊 中间值振幅与形态学滤波有什么区别？
形态学滤波（膨胀/腐蚀）基于极值，而中间值基于排序统计。中间值在保留边缘的同时平滑噪声，形态学更擅长填补孔洞或分离物体。
🎯 在3D重建中，中间值振幅如何提升质量？
通过剔除重建过程中的异常振幅匹配点，减少三角网格的飞刺和空洞，使模型表面更连续、准确。
📐 快速实现 (Python 风格)
# 使用 scipy 三维中值滤波
from scipy.ndimage import median_filter
amplitude_3d = ... # 形状 (D, H, W)
filtered = median_filter(amplitude_3d, size=3)
# 中间值振幅体已就绪
from scipy.ndimage import median_filter
amplitude_3d = ... # 形状 (D, H, W)
filtered = median_filter(amplitude_3d, size=3)
# 中间值振幅体已就绪
🧩 中间值振幅在点云库(PCL)中
// PCL 点云强度中间值滤波
pcl::MedianFilter<pcl::PointXYZI> med;
med.setWindowSize(5);
med.setInputCloud(cloud);
med.filter(*cloud_filtered);
pcl::MedianFilter<pcl::PointXYZI> med;
med.setWindowSize(5);
med.setInputCloud(cloud);
med.filter(*cloud_filtered);