李龍龍 宮 成, 李雨成 崔豫楠 毋曉軍 李玉良
(1.太原理工大學安全與應急管理工程學院,山西 太原 030024;2.陜煤集團神南產(chǎn)業(yè)發(fā)展有限公司,陜西 神木 719300)
三維虛體模型作為礦山智能化研究和應用的基礎載體,是智慧礦山建設不可或缺的基石[1]。 三維激光掃描技術(shù)精準、快速的三維建模優(yōu)點,為礦山全生命周期智能化管控的實現(xiàn)提供了技術(shù)支撐,在礦山智能化建設及礦山安全生產(chǎn)過程中發(fā)揮著至關重要的作用。
基于3D MAX、CAD 等軟件的傳統(tǒng)建模方法存在建模速度慢、精度低、成本高等問題[2],造成了智能化系統(tǒng)面臨調(diào)控實時性差、可視化界面失真、數(shù)據(jù)采集費時費力等瓶頸。 傳統(tǒng)測繪技術(shù)通過經(jīng)緯儀、測距儀及GPS 實現(xiàn)三維信息獲取,采集信息單一且易丟失,無法真實復原礦井復雜的環(huán)境。 隨著現(xiàn)代測量技術(shù)變革,三維激光掃描技術(shù)突破了單點測繪的局限性,具有掃描速度快、效率高、精度高、成本相對較低、非接觸測量等優(yōu)點,能夠通過數(shù)字模型完整反映復雜礦井特征[3-4]。 然而,該技術(shù)存在數(shù)據(jù)存儲占用大量空間資源、傳輸率低、逆向模型重構(gòu)工作量大、數(shù)據(jù)噪聲大等不可避免的弊端[5],因此,利用后處理算法對點云數(shù)據(jù)進行精簡和濾波降噪至關重要[6]。 針對點云數(shù)據(jù)分布特性,已有大量學者提出了包括體素、高斯、中值、雙邊等在內(nèi)的數(shù)十種濾波方法[7-9]。 蔣通等[10]基于體素濾波算法實現(xiàn)了簇狀噪聲的濾除,但是并未實現(xiàn)數(shù)據(jù)體的簡化。 JI 等[8]提出的細節(jié)特征點簡化算法(DFPSA),提高了簡化效果與精度,但是降噪效果不理想且無法濾除各類離群點。 閆冬等[11]提出了一種改進的高斯濾波方法,能有效控制偏移以保留點云的幾何特征,但是該方法會模糊邊緣,存在高頻細節(jié)過平滑的問題。 在此基礎上,隨著模型復雜程度增加,學者們提出了兩種濾波方法組合處理的思路[12-13],何昕諭等[14]提出了一種改進體素濾波和高斯濾波相結(jié)合的方法,能夠?qū)?shù)據(jù)進行精簡和降噪,使得曲面輪廓明顯,但是對棱角邊緣的降噪效果不理想。 盡管國內(nèi)外學者在點云濾波方面做了大量工作,但面對礦山復雜巷道環(huán)境模型,現(xiàn)有的數(shù)據(jù)處理方法都無法獲得較為理想的結(jié)果,其問題主要體現(xiàn)在:① 單一濾波算法在數(shù)據(jù)體簡化和離群點方面,無法做到二者兼顧;② 單一濾波方法在處理復雜模型時,存在數(shù)據(jù)過度平滑或?qū)⒗饨沁吘壞:幚淼葐栴};③ 兩種方法組合的數(shù)據(jù)濾波,盡管能夠分別適用于棱角邊緣或曲面離群點處理,但在同時具有曲面、棱角邊緣的礦山三維模型中適用性不強。
針對已有方法的不足,本研究依據(jù)算法側(cè)重點和點云特征對濾波算法進行精準劃分,將傳統(tǒng)濾波算法分為數(shù)據(jù)精簡和數(shù)據(jù)降噪兩大類,進而結(jié)合礦山半圓拱巷道特征提出“剖面—軸向—隨機”復合式數(shù)據(jù)精簡濾波模型和復合式數(shù)據(jù)降噪濾波數(shù)學模型。 以實際礦山半圓拱巷道三維激光掃描數(shù)據(jù)為分析對象,通過與傳統(tǒng)算法處理結(jié)果進行對比分析,論證新型復合濾波方法在礦山復雜巷道模型數(shù)據(jù)集處理中的適用性。 新型復合濾波方法在確保礦山巷道模型質(zhì)量的前提下,可以滿足礦山智能化建設對模型數(shù)據(jù)體大量精簡與離群點高效處理的需求,能夠為礦山全生命周期實時展示、預測奠定基礎。
本研究以礦山最典型的半圓拱巷道為分析對象(圖1),巷道拱面幾何特征弱,具有風門、風窗等精細化結(jié)構(gòu)。 巷道點云數(shù)據(jù)集用5D Mark Ⅱ相機和RIEGL VZ-400 地面站激光掃描系統(tǒng)獲得[15],其中,測站7 個,相鄰點云間最小重疊率為5.5%、最大重疊率為32%,數(shù)據(jù)點約2.24×107個。 半圓拱巷道的拱面幾何特征較弱,增加了同名點選擇的不確定性和濾波難度。
圖1 采樣區(qū)段位置Fig.1 Location of sampling section
利用點云濾波技術(shù)能夠在不影響模型質(zhì)量的前提下解決三維激光掃描數(shù)據(jù)體量龐大的問題,通過大幅降低數(shù)據(jù)量、消除噪聲和離群點,從而提高數(shù)據(jù)的可用性。 三維激光掃描數(shù)據(jù)集中,根據(jù)數(shù)據(jù)位置分布特征,可將其劃分為有效數(shù)據(jù)、冗余數(shù)據(jù)、重復數(shù)據(jù)和奇異數(shù)據(jù)。 有效數(shù)據(jù)是構(gòu)成三維激光掃描模型所需的“骨架”數(shù)據(jù),其保留的合理性決定了模型濾波的質(zhì)量。 冗余數(shù)據(jù)是導致模型數(shù)據(jù)體量龐大的關鍵,由模型本身的復雜程度與點云間距所決定;重復數(shù)據(jù)主要由測點布局決定。 通過測點優(yōu)化能夠在一定程度上減小模型原始數(shù)據(jù)體量和掃描工作量。 奇異數(shù)據(jù)在三維激光掃描模型數(shù)據(jù)體中占比最小,其本身處理對數(shù)據(jù)體的精簡比例不大,但奇異數(shù)據(jù)的處理是否合理直接影響了模型濾波質(zhì)量和后期運算速度,是模型數(shù)據(jù)濾波的重要組成部分。
為了更合理、有效、保質(zhì)地對三維激光掃描數(shù)據(jù)進行濾波,依據(jù)數(shù)據(jù)體的分類與功能,將數(shù)據(jù)濾波進一步細分為數(shù)據(jù)精簡和數(shù)據(jù)降噪。 其中,數(shù)據(jù)精簡主要針對冗余數(shù)據(jù)和重復數(shù)據(jù),在保留模型主要特征的前提下,著重減小原始模型的數(shù)據(jù)體量和提高處理效率,用于無序點云;數(shù)據(jù)降噪是為了處理原始模型中的奇異數(shù)據(jù),通過對模型有序點云數(shù)據(jù)進行甄別、判斷與剔除,以提高點云數(shù)據(jù)的質(zhì)量和準確性,進而為后期建模、仿真提供可靠支撐。
目前,已有的濾波算法主要有體素、高斯、條件等10 多種濾波算法[16],依據(jù)礦山巷道環(huán)境與構(gòu)筑物狀態(tài)條件,對各濾波算法的適用性進行驗證,并結(jié)合各濾波算法特征與點云數(shù)據(jù)濾波分類結(jié)果,最終確定適用于數(shù)據(jù)精簡的濾波算法包括體素濾波、曲率濾波和隨機濾波,適用于數(shù)據(jù)降噪的濾波算法包括中值濾波、高斯濾波和雙邊濾波(圖2)。
圖2 點云濾波算法劃分Fig.2 Partitioning of filtering algorithms of point cloud data
依據(jù)各濾波算法的處理特征與專長,以及礦山巷道環(huán)境與構(gòu)筑物搭建需求,提出了數(shù)據(jù)精簡與數(shù)據(jù)降噪的復合濾波算法,通過對各濾波算法的組合應用,以獲得更高的數(shù)據(jù)處理效果。 利用C++和開源PCL開發(fā)框架,實現(xiàn)數(shù)據(jù)精簡與數(shù)據(jù)降噪復合濾波,進而構(gòu)建了點云數(shù)據(jù)復合濾波處理思路(圖3),數(shù)據(jù)濾波后的數(shù)據(jù)以las、pcd 形式保存,并通過PCL 庫呈現(xiàn)其三維模型。
圖3 巷道點云數(shù)據(jù)復合濾波邏輯框架Fig.3 Composite filtering logic framework of roadway point cloud data
半圓拱巷道作為礦山最主要的巷道類型,其數(shù)據(jù)精簡質(zhì)量對礦山三維模型的快速、準確構(gòu)建至關重要。 依據(jù)半圓拱巷道的組合形態(tài)特征,以確保巷道完整信息為前提,通過對各有效濾波算法的剖析,最終構(gòu)建了“剖面—軸向—隨機”復合式數(shù)據(jù)精簡濾波模型,其構(gòu)建與實現(xiàn)步驟如下:
(1)以原始三維掃描點云數(shù)據(jù)集為對象,巷道垂直長軸方向斷面為目標,通過曲率濾波對原始數(shù)據(jù)進行一次精簡。 采用主成分分析法測算該斷面法向量,進而以法向量為縱軸建立直角坐標系;通過對曲線參數(shù)的擬合以獲取待求點曲率;而后,通過獲得的法線與曲率數(shù)據(jù)創(chuàng)建條件濾波器,以巷道模型構(gòu)建需求設置曲率閾值,進而實現(xiàn)對巷道模型“剖面”數(shù)據(jù)的初次精簡。 該濾波方法對巷道曲面的“傷害”最低,能夠最大限度上保留拱面的弱幾何結(jié)構(gòu),是數(shù)據(jù)精簡的關鍵。 其中,法曲率[17]計算公式為
式中,Kn為法曲率;u,v為點云數(shù)據(jù)在曲面上的坐標值;Ⅰ、Ⅱ分別為曲面的第一、二基本形式;E、F、G為曲面的第一基本形式的系數(shù);L、M、N為曲面的第二基本形式的系數(shù)。
(2)以“剖面”精簡后的數(shù)據(jù)集為研究對象,以巷道長軸方向為目標,將一次精簡數(shù)據(jù)集導入體素濾波模型中,根據(jù)巷道實際條件設置體素參數(shù),選取距離體素中心最近的點云來代替體素中的所有點云,進而實現(xiàn)對模型的二次精簡。 在曲率濾波的一次精簡基礎上,以“軸向”斷面數(shù)據(jù)為重點進行二次精簡,在保證模型質(zhì)量的前提下實現(xiàn)最大程度的數(shù)據(jù)精簡。 以三維體素質(zhì)心代替網(wǎng)格內(nèi)的所有點云數(shù)據(jù)[17],其計算公式為
式中,Vcentroid為非空體素質(zhì)心;x、y、z為三軸方向上的點云坐標;n為體素V中的點云數(shù)目。
(3)在二次精簡的基礎上,利用隨機函數(shù)生成囊括模型所有點云數(shù)據(jù)的隨機數(shù),按照等概率模式進行點云精簡,從而實現(xiàn)對模型的三次精簡。 隨機濾波是一種等比例隨機精簡模式,由于其無法考慮模型的幾何特征且精簡過程具有隨機性,其精度并不可控,但在一次、二次模型精簡控制前提下,三次精簡實現(xiàn)了確保模型質(zhì)量前提下的數(shù)據(jù)進一步精簡,以滿足后期數(shù)據(jù)處理需求。
以本次采集的半圓拱巷道三維激光掃描數(shù)據(jù)為例,使用“剖面—軸向—隨機”復合式濾波數(shù)據(jù)精簡模型對數(shù)據(jù)集進行簡化處理。 結(jié)果顯示(圖4),模型一次精簡后,原始點云數(shù)據(jù)從2. 24×107個精簡為9.36×106個,精簡率達58.2%;二次精簡后,剩余點云數(shù)據(jù)約1.90×105個,在一次粗化基礎上,數(shù)據(jù)精簡率達到98. 0%;三次精簡后,最終點云數(shù)據(jù)保留為1.5×105個,在二次精簡基礎上,數(shù)據(jù)精簡率為21.1%,在保留巷道完整信息狀態(tài)下,與原始數(shù)據(jù)集相比,最終數(shù)據(jù)精簡率為99.3%。
在盡可能保留巷道幾何特征的前提下,通過體素濾波、曲率濾波、隨機濾波和復合濾波模型分別對半圓拱巷道點云數(shù)據(jù)集進行數(shù)據(jù)精簡,并以簡化率、精簡后點云密度、體積變化率和表面積變化率4 個評估點云精簡質(zhì)量的常用量化指標對精簡結(jié)果進行對比分析。 其中,點云簡化率是指刪除的點云數(shù)據(jù)占原始點云數(shù)據(jù)的百分比;精簡后點云密度是通過點云各點距離的平均值估算點云分布的密程度,其值越大分布越密集;體積變化率和表面積變化率是指精簡模型體積和表面積占原始模型的百分比,變化率越小,對原始模型結(jié)構(gòu)的保留程度越好。 計算結(jié)果顯示,復合濾波算法能在保留原始點云模型結(jié)構(gòu)的基礎上實現(xiàn)數(shù)據(jù)的最大程度簡化(表1)。
表1 精簡算法參數(shù)設置與數(shù)據(jù)精簡率計算結(jié)果Table 1 Parameter settings of refinement algorithm and result of data refinement rate
對比復合濾波與體素濾波數(shù)據(jù)精簡結(jié)果可知,二者具有幾乎相同的數(shù)據(jù)精簡率,從精簡后三維模型顯示結(jié)果對比可知(圖5),體素濾波本質(zhì)上是取體素質(zhì)心代替體素格內(nèi)所有點云,具有對所有結(jié)構(gòu)無差別精簡的特性,該算法導致體素格或格中點云密度過大時將風門等精細化結(jié)構(gòu)直接濾除,使得建立的礦井模型和實際情況不符,在礦井通風網(wǎng)絡解算、災變模擬時存在偏差,影響通風系統(tǒng)解算結(jié)果并降低災變逃生路線制定的準確性。 復合濾波模型能夠保留必要的精細結(jié)構(gòu),即高密度區(qū)不粗糙,保證了數(shù)據(jù)精簡質(zhì)量。此外,對于半圓拱巷道而言,模型點云數(shù)據(jù)具有兩端稀疏中間密集的特點,體素濾波模型處理過程中,體素格包含點云數(shù)目較大時會損失巷道兩端特征,導致低密度區(qū)域產(chǎn)生過平滑現(xiàn)象,較小時則會造成平滑濾波效果差的不足,復合濾波算法則很好地保留了巷道兩端低密度區(qū)的特征輪廓。
圖5 復合濾波與體素濾波結(jié)果對比Fig.5 Comparison results of composite filtering and voxel filtering
與曲率濾波數(shù)據(jù)精簡相比,復合濾波數(shù)據(jù)精簡率明顯更高,對比二者精簡后的三維模型(圖6)可知,曲率濾波結(jié)果同樣存在構(gòu)筑物精細結(jié)構(gòu)被濾除的問題,但較體素濾波結(jié)果稍好。 同時,曲率濾波數(shù)據(jù)精簡過程中,在點云數(shù)據(jù)密度大的區(qū)域平滑程度較低、密度小的區(qū)域則會過平滑,使得高密度區(qū)能夠保留完整結(jié)構(gòu),低密度區(qū)卻存在兩端和掃描缺失部分出現(xiàn)結(jié)構(gòu)失真的情況,這是由孤立離群點具有較低曲率以及曲率精簡采樣不均勻從而產(chǎn)生的大誤差所致。 同時,曲率濾波數(shù)據(jù)精簡模型形成了3 條黑線,即在低密度區(qū)域拱面和壁面分別只保留了拱頂和壁面中上部分點云,這是由于曲率濾波在去除噪聲的同時也去除了部分邊緣和曲面特征。 復合濾波算法則不存在上述低密度區(qū)結(jié)構(gòu)失真和采樣不均勻的問題。
圖6 復合濾波與曲率濾波結(jié)果對比Fig.6 Comparison of the results of composite filtering and curvature filtering
對比隨機濾波與復合濾波數(shù)據(jù)精簡結(jié)果,二者數(shù)據(jù)精簡率相差不足4%,但從精簡后二者三維模型對比可知(圖7),在高數(shù)據(jù)精簡率要求下,隨機濾波精簡后的三維模型幾乎喪失了所有的巷道構(gòu)筑物細節(jié),甚至直接將構(gòu)筑物濾除,在4 種濾波模型中濾波質(zhì)量最差,這是由函數(shù)隨機對不同密度區(qū)域進行無差別的隨機精簡所導致的。 此外,隨機濾波的采樣率與點云數(shù)據(jù)密度不匹配時,高密度點云數(shù)據(jù)區(qū)域獲得的采樣率不足,而低密度點云數(shù)據(jù)區(qū)域的采樣率過高,會進一步導致數(shù)據(jù)精簡結(jié)果失真。 而復合濾波算法針對不同密度區(qū)域采用不同的算法,解決了采樣率不平衡的問題。
圖7 復合濾波與隨機濾波結(jié)果對比Fig.7 Comparison results composite filtering and random filtering
綜上所述,對半圓拱巷道等礦山特征單元三維激光掃描模型而言,現(xiàn)有的數(shù)據(jù)濾波方法處理結(jié)果存在精細結(jié)構(gòu)“丟失”、低密度區(qū)域過平滑和采樣率不平衡的問題,無法在保證模型質(zhì)量的前提下最大限度精簡數(shù)據(jù)。 通過對不同特征濾波函數(shù)的合理組合保留了不同密度區(qū)域特征結(jié)構(gòu),能夠在保證模型質(zhì)量的前提下實現(xiàn)數(shù)據(jù)大規(guī)模精簡,有效克服了單一濾波算法在礦山巷道模型數(shù)據(jù)精簡中的不足。
礦山巷道環(huán)境建模中,巷道拱頂、采煤機切割頭等以曲面形態(tài)居多,而巷道中下部、風門、機電等構(gòu)筑物具有明顯的棱角邊緣特征,基于模型的區(qū)域性特征,以保障模型數(shù)據(jù)體質(zhì)量為基本要求,構(gòu)建了復合式數(shù)據(jù)降噪濾波模型。
以精簡后的點云數(shù)據(jù)集為例,設定點云鄰域中值半徑以及屬性參數(shù)[18],鄰域內(nèi)點云數(shù)據(jù)序列為f1,f2,…,fn,從有序點云序列中取m個點云數(shù)據(jù),以坐標大小進行排序,以序號中值作為計算結(jié)果(式(3)),進而濾除模型中距離遠的離群點,獲得數(shù)據(jù)集1。 濾波公式為
式中,yi為所設半徑的中值點;m為點云個數(shù)。
在此基礎上,根據(jù)模型區(qū)域特征,對模型拱頂與中下部進行區(qū)域劃分(圖8)。 以ABCD面為分割面將數(shù)據(jù)中曲面形態(tài)顯著、曲率變化較大的部分劃分為數(shù)據(jù)集2(拱頂),具有清晰邊緣和復雜幾何結(jié)構(gòu)的部分劃分為數(shù)據(jù)集3(巷道中下部)。
圖8 半圓拱巷道區(qū)域劃分示意Fig.8 Schematic of semi-circular arch roadway division
基于高斯函數(shù)經(jīng)傅里葉變換后特性不變的原理,以數(shù)據(jù)集2 為研究對象,確定區(qū)域賦以高斯分布權(quán)重,利用KD-Tree 實現(xiàn)對點云密度的計算,基于二維高斯函數(shù)(式(4))實現(xiàn)對曲面鄰近區(qū)域內(nèi)奇異點的剔除[19]。
式中,A為幅值;x0,y0為中心點坐標;σ2x,σ2y為方差。
同時,以數(shù)據(jù)集3 為研究對象,利用雙邊濾波保留邊緣的特性,通過計算每個點與中心點的空間臨近度,將其乘以數(shù)據(jù)強度的權(quán)重值,然后將優(yōu)化后的權(quán)值與強度進行卷積運算(式(5)),進而去除棱角邊緣附近的奇異點云數(shù)據(jù)[20]。
式中,k、l為窗口的中心點坐標;i、j為窗口其他系數(shù)的坐標;σ2a為方差;a為窗口大小。
最后,將數(shù)據(jù)集2 和數(shù)據(jù)集3 重新組合,形成最終數(shù)據(jù)集,以此實現(xiàn)在確保模型數(shù)據(jù)質(zhì)量前提下的數(shù)據(jù)降噪。
從初始巷道斷面特征可知(圖9),巷道底部存在明顯的噪聲,拱頂噪聲信號弱,經(jīng)過中值濾波降噪后,遠離模型的奇異點被濾除,模型質(zhì)量保存完好;在此基礎上,對模型進行分解,通過高斯濾波進行曲面降噪、雙邊濾波進行保邊降噪,模型底部近距離奇異點被剔除,同時,巷道棱角、細節(jié)得以保留。
圖9 復合降噪流程與結(jié)果Fig.9 Process and results of composite filtering
用3 種典型降噪算法和復合式數(shù)據(jù)降噪濾波模型對精簡后的半圓拱巷道模型分別進行降噪處理(表2),單一算法與復合算法的參數(shù)設置相同,在不改變半圓拱結(jié)構(gòu)的前提下,對比3 種單一算法和復合算法對半圓拱巷道的降噪效果,觀察特征離群點的濾除情況。
表2 降噪算法參數(shù)設置Table 2 Parameter setting of de-noising algorithm
降噪結(jié)果顯示(圖10):4 種方法均能不同程度地實現(xiàn)離群點的濾除且不改變原有特征,中值濾波(圖10(a))主要將距離模型較遠的離群點全部濾除,對巷道結(jié)構(gòu)附近的點濾除效果不理想,這是由于中值濾波不考慮各點權(quán)重差別,只是進行中值排序。高斯降噪(圖10(b))在離群點處的降噪效果最差,這是由于噪聲與模型相差大,高斯濾波器的加權(quán)平均操作無法有效消除所有噪聲,使用高斯濾波器可能需要結(jié)合其他濾波方法或調(diào)整參數(shù),以降低噪聲對濾波效果的影響。 雙邊濾波(圖10(c))對離群點的濾除效果好,但在邊緣處仍保留了部分離群點,且在邊緣處出現(xiàn)了一些新的細小噪聲,這是由于雙邊濾波會在邊緣處保持過多的高頻分量,導致輕微的噪聲沒有被完全消除,留下隨機的小點和噪聲點。 對于組合降噪(圖10(d)),盡管噪聲沒有被全部濾除,組合濾波降噪相較3 種單一降噪方法效果最佳,這是由于組合降噪通過3 種經(jīng)典降噪算法的優(yōu)勢互補可以實現(xiàn)對椒鹽噪聲、高斯噪聲、強噪聲等各類噪聲的有效濾除。
圖10 不同降噪方法結(jié)果對比結(jié)果Fig.10 Comparative results of different noise reduction methods
本研究以礦山半圓拱巷道模型數(shù)據(jù)集為依托,利用C++和PCL 庫開發(fā)框架,研究了典型濾波算法的特性,提出了數(shù)據(jù)濾波算法精準劃分、“剖面—軸向—隨機”復合式數(shù)據(jù)精簡濾波模型與復合式數(shù)據(jù)降噪濾波模型。 從半圓拱幾何特征、點云簡化率、點云密度、表面積和體積變化率角度對數(shù)據(jù)精簡算法性能進行了評價,并從離群點濾除度、保邊降噪效果方面對數(shù)據(jù)降噪算法性能進行了分析。 所得結(jié)論如下:
(1)將三維激光掃描模型數(shù)據(jù)濾波劃分為數(shù)據(jù)精簡和數(shù)據(jù)降噪兩類,其中,精簡注重迅速高效地實現(xiàn)數(shù)據(jù)量的大幅降低,主要用于無序點云;數(shù)據(jù)降噪在于提高點云質(zhì)量從而使模型更加可靠,主要用于有序點云。
(2)基于礦山巷道與構(gòu)筑物特征,構(gòu)建了“剖面—軸向—隨機”復合式數(shù)據(jù)精簡模型,以半圓拱巷道模型數(shù)據(jù)集為研究對象,對比分析已有濾波算法與復合濾波數(shù)據(jù)精簡算法,結(jié)果表明:復合算法能有效避免單一算法存在的精細結(jié)構(gòu)、低密度區(qū)過平滑和采樣率不平衡的問題,具有低密區(qū)不失真、高密區(qū)不粗糙的優(yōu)勢。
(3)在巷道結(jié)構(gòu)與降噪算法特征分析的基礎上,構(gòu)建了復合式數(shù)據(jù)降噪模型,以精簡后模型為研究對象,對比分析了各降噪算法的離群點濾除效果,結(jié)果表明:4 種降噪方法均能在不影響原本結(jié)構(gòu)的前提下實現(xiàn)不同程度的離群點濾除,復合降噪算法能夠在不出現(xiàn)新噪聲的情況下有效濾除椒鹽噪聲、高斯噪聲等各類離群點,實現(xiàn)更好的降噪效果。