連忠文，任助理，郝英豪，楊帆，白剛，方程，袁瑞甫

（1.河南理工大學(xué) 能源科學(xué)與工程學(xué)院，河南 焦作 454003；2.中天合創(chuàng)能源有限責(zé)任公司煤炭分公司 葫蘆素煤礦，內(nèi)蒙古 鄂爾多斯 017000；3.河南理工大學(xué) 河南省礦產(chǎn)資源綠色高效開采與綜合利用重點(diǎn)實驗室，河南 焦作 454003；4.煤炭安全生產(chǎn)與清潔高效利用省部共建協(xié)同創(chuàng)新中心，河南 焦作 454003）

0 引言

三維激光掃描技術(shù)結(jié)合了光電傳感器和激光探測，通過高速掃描捕獲豐富的三維點(diǎn)云數(shù)據(jù)，為礦山地質(zhì)勘查、安全監(jiān)控等提供了重要的數(shù)據(jù)支持[1-2]。在地下礦山環(huán)境下，三維激光掃描技術(shù)被應(yīng)用于巖石分類、巖體結(jié)構(gòu)面建圖識別、巖體特征量化分析、變形監(jiān)測、巷道成形測量、巷道支護(hù)評估、采場貧化分析及爆破造成的地下空間分析等方面[3-5]。不過，該技術(shù)應(yīng)用于地下礦山巷道時也面臨著若干挑戰(zhàn)，包括安全問題（特別是煤礦）、不均勻地形、低光照條件和大量粉塵等。此外，在巷道建設(shè)過程中存在的風(fēng)/水管道、行人和車輛等因素常使得收集的三維點(diǎn)云數(shù)據(jù)受到多種干擾，這不僅增加了數(shù)據(jù)處理的難度和計算負(fù)荷，還降低了數(shù)據(jù)的品質(zhì)和可信度，從而限制了該技術(shù)的廣泛應(yīng)用。因此，有必要去除復(fù)雜地下巷道場景三維點(diǎn)云數(shù)據(jù)的噪聲。

點(diǎn)云去噪方法可分為基于優(yōu)化概念的傳統(tǒng)濾波算法和基于深度學(xué)習(xí)的去噪算法兩大類。傳統(tǒng)濾波算法通常利用局部擬合函數(shù)或目標(biāo)優(yōu)化函數(shù)來消除點(diǎn)云中的噪聲和異常值[6]，常見方法包括均值濾波、中值濾波、統(tǒng)計濾波（Statistical Outlier Removal，SOR）及低通濾波器等[7-12]。傳統(tǒng)濾波方法在處理復(fù)雜點(diǎn)云及在高精度要求的場景中應(yīng)用存在限制?；谏疃葘W(xué)習(xí)的端到端神經(jīng)網(wǎng)絡(luò)架構(gòu)點(diǎn)云去噪算法中，PointProNets、PointCleanNet 和Pointfilter[13-15]使用帶有噪聲的點(diǎn)云和真實點(diǎn)云對進(jìn)行訓(xùn)練，而Total Denoising[16]不依賴真實點(diǎn)云數(shù)據(jù)進(jìn)行訓(xùn)練，適用于真實點(diǎn)云難以獲得的情況。雖然深度學(xué)習(xí)方法在精度和通用性方面相較于傳統(tǒng)方法有優(yōu)勢，但算法復(fù)雜度及其對數(shù)據(jù)的依賴性更大。

針對地下巷道這種特殊場景的點(diǎn)云去噪，傳統(tǒng)濾波技術(shù)包括雙邊濾波[17-18]、平均曲率流濾波[19-20]及均值漂移算法[21-23]等，這些方法在狹窄且封閉的隧道空間中去噪效果有限，并且可能降低原始數(shù)據(jù)的精度。此外，手動的交互式去噪方法也難以深入點(diǎn)云內(nèi)部有效去除噪聲。Xu Xiangyang 等[24]利用隧道的對稱和圓形特點(diǎn)，采用圓函數(shù)逼近截面點(diǎn)云，可有效移除干擾點(diǎn)，同時保留隧道的關(guān)鍵細(xì)節(jié)，但不適用于矩形或拱形隧道。余鵬磊等[25]基于隨機(jī)采樣一致性算法在隧道壁上選擇種子節(jié)點(diǎn)，然后應(yīng)用區(qū)域生長方法從點(diǎn)云數(shù)據(jù)中提取隧道內(nèi)表面點(diǎn)，以實現(xiàn)噪聲剔除。Zhu Ningning 等[26]設(shè)計了一種專門針對隧道點(diǎn)云的去噪方法，使用橢圓柱模型擬合來過濾非隧道點(diǎn)。陳建華等[27]提出基于二次特征提取的煤礦巷道表面點(diǎn)云數(shù)據(jù)精簡方法，解決了三維激光掃描技術(shù)提取煤礦巷道表面點(diǎn)云時數(shù)據(jù)量大且存在較多冗余數(shù)據(jù)的問題。上述研究未完全滿足巷道點(diǎn)云的特殊去噪需求，尤其是在狹長、密閉且復(fù)雜的地下巷道環(huán)境中，未能充分應(yīng)對管壁附屬物、粉塵和人為噪聲等因素造成的挑戰(zhàn)。

針對地下巷道特有的非結(jié)構(gòu)特點(diǎn)和復(fù)雜環(huán)境，通過分析井下非結(jié)構(gòu)場景和傳感器誤差，考慮行人、移動設(shè)備和管網(wǎng)帶來的噪聲，本文提出一種基于區(qū)域生長的非結(jié)構(gòu)巷道點(diǎn)云去噪方法。該方法利用k 維樹（k-dimensional tree，kd-tree）構(gòu)建點(diǎn)云的拓?fù)潢P(guān)系，選取適當(dāng)?shù)姆N子節(jié)點(diǎn)和生長準(zhǔn)則，設(shè)定合適的曲率和角度閾值，能夠更精確地分割巷道點(diǎn)云并去除噪聲。以某地下礦山的主運(yùn)大巷和回風(fēng)巷道為案例，分析不同角度和曲率閾值下的分割效果和點(diǎn)云數(shù)量變化。

1 非結(jié)構(gòu)巷道噪聲特點(diǎn)分析

在礦山工程中，非結(jié)構(gòu)巷道是在形態(tài)、尺寸或布局上不規(guī)則，沒有固定或統(tǒng)一結(jié)構(gòu)特征的巷道。這種巷道可能由礦山的開采活動、地質(zhì)條件或施工技術(shù)的限制而形成，其內(nèi)部結(jié)構(gòu)復(fù)雜多變，不同于具有規(guī)則形狀和統(tǒng)一設(shè)計的標(biāo)準(zhǔn)巷道。利用三維激光掃描技術(shù)測繪非結(jié)構(gòu)巷道，可以迅速獲取地下復(fù)雜場景的表面三維坐標(biāo)。獲取的點(diǎn)云數(shù)據(jù)不僅精度高、密度大，還包含坐標(biāo)和反射強(qiáng)度信息。然而，由于非結(jié)構(gòu)巷道的不規(guī)則性，點(diǎn)云數(shù)據(jù)可能包含較多噪聲和異常點(diǎn)，由巷道形狀不規(guī)則產(chǎn)生的遮擋、由設(shè)備和行人移動引入的動態(tài)改變、由照明條件不均導(dǎo)致的反射強(qiáng)度差異等均會導(dǎo)致噪聲。這些特點(diǎn)使得非結(jié)構(gòu)巷道的點(diǎn)云去噪處理更為復(fù)雜，需要特定的分析和處理方法來確保數(shù)據(jù)質(zhì)量和使用價值。

在煤礦井下環(huán)境中，確定三維激光掃描系統(tǒng)的位姿需依賴于慣性測量單元和里程計。由于慣性測量單元中陀螺儀的漂移問題，長期累計可能導(dǎo)致顯著誤差。此外，地下巷道內(nèi)的粉塵、濕度等復(fù)雜條件也會對點(diǎn)云數(shù)據(jù)產(chǎn)生干擾。

巷道點(diǎn)云數(shù)據(jù)中的噪聲主要分為2 類：一類是由井下復(fù)雜環(huán)境和傳感器誤差導(dǎo)致的異常點(diǎn)；另一類是行人和移動設(shè)備產(chǎn)生的離群噪聲點(diǎn)。這些噪聲點(diǎn)通常分布稀疏，且相對于巷道兩側(cè)位置較遠(yuǎn)，如圖1 所示。

圖1 巷道點(diǎn)云組成Fig.1 Roadway point cloud composition

2 基于區(qū)域生長的非結(jié)構(gòu)巷道點(diǎn)云去噪

2.1 點(diǎn)云去噪方法流程

基于區(qū)域生長的非結(jié)構(gòu)巷道點(diǎn)云去噪方法流程如圖2 所示。

圖2 巷道點(diǎn)云去噪流程Fig.2 Denoising process of roadway point cloud

1）數(shù)據(jù)獲取與初步分析。利用三維激光掃描技術(shù)收集井下巷道場景的三維點(diǎn)云數(shù)據(jù)，重點(diǎn)分析這些數(shù)據(jù)中的異常點(diǎn)，包括由井下非結(jié)構(gòu)場景和傳感器誤差引起的異常點(diǎn)及由行人、移動設(shè)備和風(fēng)/水管網(wǎng)產(chǎn)生的噪聲。

2）基于區(qū)域生長原理進(jìn)行巷道點(diǎn)云區(qū)域分割。使用kd-tree 建立點(diǎn)云數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)，選取合適的種子節(jié)點(diǎn)和生長準(zhǔn)則，并設(shè)定曲率閾值和角度閾值，通過區(qū)域生長算法實現(xiàn)巷道點(diǎn)云的有效分割，去除未加入分割區(qū)域的離群點(diǎn)云。區(qū)域生長算法在開源軟件Cloud Compare 基礎(chǔ)上進(jìn)行二次開發(fā)實現(xiàn)。

3）基于巷道點(diǎn)云區(qū)域分割結(jié)果進(jìn)一步去噪優(yōu)化。通過區(qū)域分割，巷道被分割成不同的聚簇，根據(jù)噪聲特點(diǎn)，可以快速方便地將不需要的聚簇直接刪除，從而實現(xiàn)去噪優(yōu)化。

2.2 kd-tree 原理

使用移動三維激光掃描獲取的巷道三維點(diǎn)云數(shù)據(jù)量大且分布不均勻，且散亂的點(diǎn)云數(shù)據(jù)缺乏幾何拓?fù)湫畔?。為了有效處理這些數(shù)據(jù)，在進(jìn)行點(diǎn)云區(qū)域分割前，需建立點(diǎn)云之間的拓?fù)潢P(guān)系，以加快鄰域點(diǎn)搜索，提升分割效率。kd-tree 是一種適用于多維空間的二叉樹索引結(jié)構(gòu)，特別適于構(gòu)建三維點(diǎn)云數(shù)據(jù)間的拓?fù)湫畔?，因此在處理三維散亂點(diǎn)云數(shù)據(jù)時被廣泛應(yīng)用。以三維空間中7 個數(shù)據(jù)點(diǎn)的遞歸劃分過程為例，kd-tree 原理如圖3 所示。

圖3 kd-tree 原理Fig.3 Principle of kd-tree

1）首先確定多維空間中的中位數(shù)節(jié)點(diǎn)，記作節(jié)點(diǎn)A，并將其作為樹的根節(jié)點(diǎn)。以節(jié)點(diǎn)A 為參考，根據(jù)特定維度的數(shù)值將點(diǎn)云數(shù)據(jù)分為2 個部分：維度低于節(jié)點(diǎn)A 的劃入左子樹，高于節(jié)點(diǎn)A 的劃入右子樹。因此，所有維度低于節(jié)點(diǎn)A 的點(diǎn)構(gòu)成左子樹，所有維度高于節(jié)點(diǎn)A 的點(diǎn)構(gòu)成右子樹。

2）分別對左右子樹計算中位數(shù)節(jié)點(diǎn)，記為節(jié)點(diǎn)B 和節(jié)點(diǎn)C。根據(jù)這2 個節(jié)點(diǎn)的數(shù)值，將每個子樹再次劃分為更小的子空間。

3）持續(xù)進(jìn)行這一過程，對所有子樹在各個維度上計算中位數(shù)節(jié)點(diǎn)，按照這些中位數(shù)沿相應(yīng)維度劃分，直到每個子樹僅包含單一節(jié)點(diǎn)為止。

2.3 種子節(jié)點(diǎn)選取和區(qū)域生長算法

在傳統(tǒng)的區(qū)域生長法中，種子節(jié)點(diǎn)選取不當(dāng)或特征提取不準(zhǔn)確常導(dǎo)致分割錯誤。在三維散亂點(diǎn)云區(qū)域分割中，常用于獲取種子節(jié)點(diǎn)的RANSAC 算法易引發(fā)重疊分割。針對該問題，本文選擇點(diǎn)云區(qū)域中曲率最小的點(diǎn)作為種子節(jié)點(diǎn)，并從種子節(jié)點(diǎn)開始生長。由于種子節(jié)點(diǎn)位于最平坦的區(qū)域，從種子節(jié)點(diǎn)開始生長可以有效減少分割的區(qū)段總數(shù)，進(jìn)而避免重疊分割。對待分割的點(diǎn)云中各點(diǎn)進(jìn)行曲率估計并排序，以此為基礎(chǔ)實施分割。

將種子節(jié)點(diǎn)加入序列Q，設(shè)定空間閾值范圍，搜索鄰域點(diǎn)；計算擬合曲面的法向量與種子面的法向量夾角是否小于角度閾值，若是則將其加入目標(biāo)區(qū)域R；計算節(jié)點(diǎn)的曲率，若小于設(shè)定的曲率閾值，則將該點(diǎn)加入種子節(jié)點(diǎn)序列。區(qū)域生長算法流程如圖4所示。

圖4 區(qū)域生長算法流程Fig.4 Regional growth algorithm flow

2.4 曲率閾值和角度閾值設(shè)置

在點(diǎn)云區(qū)域生長算法中，曲率閾值和角度閾值是2 個關(guān)鍵參數(shù)。曲率閾值直接影響點(diǎn)云區(qū)域分割的精確度和有效性，其主要作用是區(qū)分點(diǎn)云中的不同特征區(qū)域。角度閾值用于確定點(diǎn)云中點(diǎn)與點(diǎn)之間的角度差異，正確設(shè)置的角度閾值有助于辨別點(diǎn)云中的邊緣或斷層，進(jìn)而提高分割的準(zhǔn)確性。

合理設(shè)定閾值對于優(yōu)化點(diǎn)云區(qū)域分割效果至關(guān)重要。閾值過高可能導(dǎo)致欠分割，即多個不同特征區(qū)域被錯誤歸為同一區(qū)域；閾值過低則可能引起過度分割，即將單一特征區(qū)域錯誤地分割成多個區(qū)域。因此，尋找適當(dāng)?shù)拈撝灯胶恻c(diǎn)，并根據(jù)特定的點(diǎn)云數(shù)據(jù)和應(yīng)用需求進(jìn)行細(xì)致調(diào)整，是提高分割效果的關(guān)鍵。

不同曲率閾值下巷道點(diǎn)云區(qū)域分割效果如圖5所示，可看出將曲率閾值設(shè)定為1.00 能有效避免過度分割，從而得到更合理的分割結(jié)果。

圖5 不同曲率閾值下巷道點(diǎn)云區(qū)域分割效果Fig.5 Effect of roadway point cloud region segmentation under different curvature thresholds

3 試驗與分析

3.1 試驗設(shè)備

采用GoSLAM RS100S 三維激光掃描系統(tǒng)獲取點(diǎn)云數(shù)據(jù)，如圖6 所示。該系統(tǒng)由多線激光雷達(dá)和慣性測量單元構(gòu)成，通過旋轉(zhuǎn)LiDAR 來擴(kuò)展其視野，并利用同步定位與地圖構(gòu)建算法整合激光雷達(dá)與慣性測量單元數(shù)據(jù)，從而生成精確的三維點(diǎn)云，無需依賴全球?qū)Ш叫l(wèi)星系統(tǒng)接收器。操作者可以通過移動端APP 實時查看點(diǎn)云數(shù)據(jù)并進(jìn)行多種交互，操作便捷。

圖6 三維激光掃描系統(tǒng)Fig.6 Three-dimensional laser scanning system

3.2 數(shù)據(jù)采集

對內(nèi)蒙古自治區(qū)鄂爾多斯市某礦的巷道進(jìn)行三維掃描，并對三維點(diǎn)云中的噪聲進(jìn)行去除分析。三維激光掃描圖如圖7 所示。掃描的主要地點(diǎn)是礦井中受采動影響較大的區(qū)域，系統(tǒng)布置在2-1 煤四盤區(qū)主運(yùn)大巷21406 工作面段和21407 工作面回風(fēng)巷。其中，21406 工作面段的斷面為矩形，采用錨網(wǎng)噴+錨索支護(hù)方式，噴漿厚度為100 mm。該巷道凈寬為4.80 m，凈高為2.95 m，凈斷面積為14.4 m2。21407 工作面回風(fēng)巷的斷面同樣為矩形，采用錨網(wǎng)噴支護(hù)方式。該巷道凈寬為5.40 m，凈高為3.75 m，凈斷面積為20.25 m2。

圖7 井下巷道場景三維激光掃描圖Fig.7 3D laser scanning image of underground roadway scene

礦工攜帶三維激光掃描設(shè)備，分別在主運(yùn)大巷21406 工作面段90 m 范圍和21407 工作面回風(fēng)巷130 m 范圍進(jìn)行掃描試驗，獲得對應(yīng)的三維點(diǎn)云數(shù)據(jù)（圖8 和圖9），在此數(shù)據(jù)基礎(chǔ)上進(jìn)行巷道點(diǎn)云去噪分析。為便于展示去噪效果，在主運(yùn)大巷21406 工作面段點(diǎn)云中截取包含行人和設(shè)備噪聲的2 段作為樣本1、樣本2；在21407 工作面回風(fēng)巷點(diǎn)云中截取包含行人、車輛和設(shè)備等噪聲的2 段作為樣本3、樣本4。含噪點(diǎn)云樣本如圖10 所示，紅色虛線圈出部分為噪聲。

圖8 主運(yùn)大巷21406 工作面段三維點(diǎn)云Fig.8 3D point cloud in 21406 working face section of the main haulage tunnel

圖9 21407 工作面回風(fēng)巷三維點(diǎn)云Fig.9 3D point cloud in return airway of 21407 working face

圖10 含噪點(diǎn)云樣本Fig.10 Point cloud sample with noise

3.3 巷道點(diǎn)云區(qū)域分割及去噪優(yōu)化

1）區(qū)域分割。采用區(qū)域生長算法對含噪點(diǎn)云樣本進(jìn)行分割。針對樣本1 和樣本2，設(shè)置kd-tree 的鄰域包含50 個點(diǎn)，曲率閾值為5.0，角度閾值為4°。針對樣本3 和樣本4，設(shè)置曲率閾值為3.0，角度閾值為10°。巷道點(diǎn)云區(qū)域分割結(jié)果如圖11 所示?？煽闯觯和ㄟ^巷道點(diǎn)云區(qū)域分割可以去除含噪點(diǎn)云樣本中的車輛噪聲、行人噪聲和異常點(diǎn)，有效消除大部分離群點(diǎn)云，尤其對于行人噪聲和車輛噪聲，去除效果明顯；樣本2 中大部分噪聲已經(jīng)去除，但部分風(fēng)管、水管和線纜的去除效果一般，但通過區(qū)域分割算法可以很好地將通風(fēng)管網(wǎng)、水管和線纜劃分開，為后續(xù)研究提供了基礎(chǔ)。

圖11 巷道點(diǎn)云區(qū)域分割結(jié)果Fig.11 Results of roadway point cloud region segmentation

2）去噪優(yōu)化?；谝逊指钔瓿傻南锏傈c(diǎn)云，進(jìn)一步去除部分設(shè)備、通風(fēng)管網(wǎng)、水管和線纜等噪聲，去噪優(yōu)化結(jié)果如圖12 所示?？煽闯觯和ㄟ^對分割后的巷道點(diǎn)云進(jìn)行分析，可以部分去除設(shè)備、通風(fēng)管網(wǎng)、水管和線纜等噪聲；對于樣本1，由于場景相對較簡單，通過巷道點(diǎn)云區(qū)域分割已經(jīng)有效去除了噪聲，其他3 個巷道場景只需根據(jù)分割的聚簇信息，即可快速去除噪聲點(diǎn)云。

圖12 巷道點(diǎn)云去噪優(yōu)化結(jié)果Fig.12 Optimization results of roadway point cloud denoising

4 試驗結(jié)果討論

4.1 不同閾值下巷道點(diǎn)云區(qū)域分割效果

由于樣本3 中涉及行人、帶式輸送機(jī)、通風(fēng)管網(wǎng)、水管和線纜等噪聲，包含的噪聲較全面，所以選擇該樣本進(jìn)行對比分析。角度閾值和曲率閾值的設(shè)定直接影響區(qū)域生長算法對點(diǎn)云的分割效果。將角度閾值S分別設(shè)置為5，10，15°，曲率閾值K分別設(shè)置為0.1，1.0，3.0，5.0，得到巷道點(diǎn)云區(qū)域分割結(jié)果，如圖13 所示。

圖13 不同閾值下巷道點(diǎn)云區(qū)域分割效果Fig.13 Effect of roadway point cloud region segmentation under different thresholds

當(dāng)角度閾值超過10°時，增大曲率閾值有助于更好地保留巷道的細(xì)節(jié)，尤其是其主要結(jié)構(gòu)；當(dāng)角度閾值為5°時，增大曲率閾值對改善分割效果的幫助有限，此時巷道的主要結(jié)構(gòu)往往無法完整保留，導(dǎo)致大量點(diǎn)云被過濾。上述結(jié)果表明：角度閾值較高時，使用較大的曲率閾值可以更好地保持巷道的完整性；而在低角度閾值下，調(diào)整曲率閾值的影響較小。

當(dāng)曲率閾值超過1.0 時，增大角度閾值可使點(diǎn)云區(qū)域分割更傾向于保留巷道特征，并減少聚簇的數(shù)量；而當(dāng)曲率閾值為0.1 時，即使增大角度閾值也難以有效保留巷道的主要結(jié)構(gòu)。

因此，巷道中存在行人、帶式輸送機(jī)、通風(fēng)管網(wǎng)、水管和線纜等時，建議將區(qū)域生長算法的角度閾值設(shè)定為10°左右，曲率閾值設(shè)定為3.0 左右。

4.2 去噪過程點(diǎn)云數(shù)量變化

點(diǎn)云去噪是數(shù)據(jù)預(yù)處理的關(guān)鍵步驟，其目的是通過去除噪聲點(diǎn)，提高數(shù)據(jù)的質(zhì)量和可用性。該過程顯著影響數(shù)據(jù)集的規(guī)模，并對數(shù)據(jù)的完整性、精度及后續(xù)處理流程（包括特征提取、分類和三維重建等）產(chǎn)生深遠(yuǎn)影響。分析不同場景下的原始點(diǎn)云數(shù)量、分割點(diǎn)云數(shù)量、去噪后點(diǎn)云數(shù)量，結(jié)果見表1。由表1 可知，所有場景中，與原始點(diǎn)云數(shù)量相比，分割點(diǎn)云數(shù)量減少，但減少的幅度不大。這是因為分割步驟主要移除了與目標(biāo)場景無關(guān)的數(shù)據(jù)。在點(diǎn)云數(shù)據(jù)的初步處理中，數(shù)據(jù)精簡主要通過排除非目標(biāo)相關(guān)的點(diǎn)云實現(xiàn)。在去噪過程中，各個場景展現(xiàn)出不同的數(shù)據(jù)減少趨勢：樣本1 和樣本2 點(diǎn)云數(shù)量在去噪前后相差不大，可能是分割步驟已有效移除了大部分噪聲，或是去噪算法在該場景中的敏感度不高；樣本3 和樣本4 點(diǎn)云數(shù)量在去噪后顯著減少，去噪步驟對提升數(shù)據(jù)質(zhì)量起決定性作用。

表1 去噪過程點(diǎn)云數(shù)量變化Table 1 The number of point clouds changes during the denoising process

減少點(diǎn)云數(shù)據(jù)量可能會影響數(shù)據(jù)的完整性和后續(xù)處理步驟，如三維重建或特征提取。大幅度的數(shù)據(jù)減少可能意味著重要信息的丟失，需要通過后續(xù)分析來進(jìn)一步驗證。然而，高效的去噪處理可以提高數(shù)據(jù)質(zhì)量，減少錯誤或誤導(dǎo)性信息，從而增強(qiáng)后續(xù)處理步驟的準(zhǔn)確性和可靠性。因此，在實際應(yīng)用中，應(yīng)平衡數(shù)據(jù)量的減少與去噪效果，以確保數(shù)據(jù)處理的有效性，同時提高數(shù)據(jù)質(zhì)量。

4.3 不同去噪方法對比分析

采用本文方法、統(tǒng)計離群點(diǎn)去除（Statistical Outlier Removal，SOR）濾波器、低通濾波器對4 種場景的點(diǎn)云數(shù)據(jù)進(jìn)行去噪，比較去噪效果，結(jié)果見表2。SOR 濾波器去噪效果較保守，主要針對極端離群點(diǎn)，總體點(diǎn)云數(shù)量減少幅度較小，如樣本1 去噪后點(diǎn)云減少了4.13%，樣本4 去噪后點(diǎn)云減少了7.04%。相對而言，低通濾波器在所有測試場景中點(diǎn)云減少幅度更大，如樣本2 去噪后點(diǎn)云減少了39.98%，樣本3 則減少了37.45%。本文方法能夠顯著減少點(diǎn)云數(shù)量，減少幅度介于SOR 濾波器和低通濾波器之間，如樣本4 去噪后點(diǎn)云數(shù)量減少了29.40%。

表2 不同方法去噪后點(diǎn)云數(shù)量對比Table 2 Comparison of the number of point clouds after denoising by different methods

以樣本3 為例，對比3 種方法對行人、帶式輸送機(jī)、通風(fēng)管網(wǎng)、水管和線纜等噪聲的去噪效果，如圖14 所示。可看出SOR 濾波器和低通濾波器未能有效去除行人、帶式輸送機(jī)、通風(fēng)管網(wǎng)、水管和線纜等噪聲，特別是在低通濾波器方法中，行人噪聲點(diǎn)數(shù)甚至超過SOR 濾波器方法。相比之下，本文方法能有效移除這些噪聲，更符合要求。

圖14 不同方法的巷道點(diǎn)云去噪效果Fig.14 Denoising effect of different methods for roadway point cloud

5 結(jié)論

1）提出了一種基于區(qū)域生長算法的非結(jié)構(gòu)巷道點(diǎn)云去噪方法，通過有效區(qū)分噪聲與有用數(shù)據(jù)，顯著提高了點(diǎn)云數(shù)據(jù)的準(zhǔn)確性和可用性，為礦山巷道的三維建模和分析提供了更高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

2）通過對不同角度閾值和曲率閾值下的分割效果、點(diǎn)云數(shù)量變化進(jìn)行分析，并與SOR 濾波器和低通濾波器進(jìn)行對比，從定性和定量的角度驗證了基于區(qū)域生長的去噪方法在井下復(fù)雜環(huán)境中應(yīng)用的有效性和優(yōu)越性。

3）在含行人、設(shè)備等復(fù)雜特征的巷道環(huán)境中，建議將區(qū)域生長算法的角度閾值設(shè)定為10°左右，曲率閾值設(shè)定為3 左右。此外，為了確保數(shù)據(jù)處理的有效性與數(shù)據(jù)質(zhì)量的提升，實際應(yīng)用中需要在減少數(shù)據(jù)量和提高去噪效果之間找到合適的平衡點(diǎn)。