在医学影像三维重建、动物标本数字化或者生物结构模拟中，我们经常拿到这样的模型：整体轮廓正确，但表面布满了细小的锯齿和凹凸。这些噪声来源于CT或激光扫描的采样误差，如果不处理干净，后续的渲染、打印甚至有限元分析都会受影响。网格平滑就是解决这类问题的核心技术，其中拉普拉斯平滑和双边滤波是两种最常用的方案，各有适用场景。
为什么生物模型表面会出现粗糙噪声
生物模型的数据来源决定了它的噪声特性。以医学CT重建为例，断层影像的层厚通常在0.5到1毫米之间，层与层之间的间距会在重建表面上形成阶梯状伪影，这就是所谓的部分容积效应。即使使用Marching Cubes等值面提取算法，也只能得到几何上连续、视觉上仍然粗糙的网格。
另一个来源是点云配准误差。多角度扫描的生物学标本（比如牙齿、骨骼化石）在拼接时存在亚毫米级的对齐偏差，这些偏差反映到网格上就是局部顶点的高频抖动。高频抖动与模型本身的细节特征在频域上很接近，这正是平滑算法需要面对的核心矛盾：既要抹掉噪声，又不能把真实的解剖细节一起抹掉。
理解这一点很重要，因为后面两类算法的本质区别就体现在对这对矛盾的处理方式上。拉普拉斯平滑选择无条件地抹平高频信息，而双边滤波则尝试区分哪些高频是噪声、哪些是结构。
拉普拉斯平滑：简单直接的经典方案
拉普拉斯平滑的核心思想非常直观：对网格上的每个顶点，计算它所有相邻顶点的平均值，然后让当前顶点向这个平均值靠拢。用公式表达就是v' = v + λ·L(v)，其中L(v)是离散拉普拉斯算子，λ是平滑系数，取值一般在0到1之间。直观理解，一个凸起的顶点周围邻居偏低，平均之后它会被拉下来；凹陷的顶点则相反，会被顶上去。反复迭代，表面就逐渐趋于光滑。
这个算法的实现难度很低，下面是一个基于顶点邻接关系的Python实现：
import numpy as np
def laplacian_smooth(vertices, adjacency, iterations=5, lam=0.5):
"""对顶点数组执行拉普拉斯平滑
vertices: (N,3) 顶点坐标
adjacency: 顶点邻接表
"""
verts = vertices.copy()
for _ in range(iterations):
new_verts = verts.copy()
for i in range(len(verts)):
neighbors = adjacency[i]
if len(neighbors) == 0:
continue
# 计算一环邻域的质心
centroid = verts[neighbors].mean(axis=0)
# 顶点向质心移动
new_verts[i] = verts[i] + lam * (centroid - verts[i])
verts = new_verts
return verts从代码可以看出，每轮迭代的计算量只与顶点数和平均度数有关，复杂度为O(n)，即使几十万顶点的生物模型也能很快处理完。参数方面，iterations控制平滑强度，lam控制单步移动距离。实践中不建议单独调大lam到0.8以上，容易造成顶点跳跃和网格自交，宁可多做几轮小步长的迭代。
拉普拉斯平滑的缺点同样明显：它对各向同性地收缩模型。凸起被视为噪声被削平，尖锐的棱角也会被逐渐磨圆。对一个大脑皮层模型来说问题不大，但如果是牙齿模型，牙尖这种关键解剖标志会在迭代中悄悄消失，导致模型体积整体缩小。医学测量场景下这种收缩是不可接受的，这也是双边滤波被提出的动机。
双边滤波：平滑与保边兼得
双边滤波最早出现在图像处理领域，后来被Jones等人推广到三维网格。它的关键改进在于引入了两个权重：空间权重和值域权重。空间权重衡量邻域顶点在网格上的距离，离得越近权重越大；值域权重衡量邻域顶点与当前顶点在法向投影上的偏差，偏差越大权重越小。
后者正是保边的来源。设想骨骼模型上一条明显的棱线，棱线两侧的顶点法向差异很大，值域权重自动把这些顶点排除在平均之外，于是棱线得以保留。而普通噪声区域的法向差异很小，值域权重接近均匀分布，平滑效果与拉普拉斯基本一致。换句话说，双边滤波相当于一个自适应开关：平坦处大胆平滑，特征处谨慎保守。
三维网格上的双边滤波通常不直接移动顶点坐标，而是调整顶点沿法向的偏移量，具体分两步：先用邻域顶点向当前顶点切平面投影得到偏移量，再对偏移量做加权平均，最后沿法向回移顶点。下面给出核心实现：
def bilateral_smooth_vertex(v, n, neighbors, sigma_s, sigma_r):
"""单个顶点的双边滤波
v: 当前顶点坐标
n: 当前顶点法向量
neighbors: 邻域顶点数组 (M,3)
sigma_s: 空间高斯标准差
sigma_r: 值域高斯标准差
"""
sum_w = 0.0
sum_offset = 0.0
for q in neighbors:
diff = q - v
dist = np.linalg.norm(diff)
# 值域：邻域点在法向上的投影偏差
t = np.dot(diff, n)
w_s = np.exp(-dist * dist / (2 * sigma_s * sigma_s))
w_r = np.exp(-t * t / (2 * sigma_r * sigma_r))
w = w_s * w_r
sum_w += w
sum_offset += w * t
# 平均偏移量作为顶点沿法向的调整量
offset = sum_offset / max(sum_w, 1e-12)
return v + offset * n参数调节是使用双边滤波的关键。sigma_s一般取平均边长的1到2倍，控制平滑的作用范围；sigma_r则需要根据噪声幅度估计，取值过小会把大量真实细节当作特征保护起来，平滑力度不足，取值过大则退化成普通拉普拉斯。一个实用的做法是先在小块区域试跑，观察噪声抖动幅度再定sigma_r。
两种算法的对比与工程选择建议
从实际效果看，两者各有明确的适用边界。拉普拉斯平滑适合处理表面本就圆润、没有关键锐利特征的模型，比如软组织器官、脂肪分割结果，它的计算速度和实现简单性是优势。双边滤波则适合骨骼、牙齿、血管分叉处这类结构特征明确的模型，尽管计算量比拉普拉斯高出一个量级（每个顶点需要额外计算法向和双重权重），但对细节的保护是值得的。
工程中还有一个常见技巧是组合使用：先用一到两轮低强度的拉普拉斯平滑去除最尖锐的高频毛刺，再用双边滤波做精细处理。这样能降低双边滤波对sigma_r的敏感性，因为预平滑已经把噪声幅度压缩到一个较窄的范围内。此外，无论用哪种方法，都建议采用Taubin提出的λ|μ方案（先正向平滑再反向微扩）替代纯拉普拉斯，它可以有效抑制体积收缩，代价只是每轮多做一次反向迭代。
最后提醒两点容易被忽视的细节。第一，平滑操作前务必确认网格是流形结构，非流形边会导致邻接关系错误，平滑结果出现破洞。第二，处理生物模型时保留原始数据，平滑后用顶点距离热图做质量检查，确保关键解剖位置的形变在允许误差范围内。把算法选对、参数调稳，表面粗糙问题基本都能得到令人满意的处理结果。