如何去除路面扫描数据序列中的噪声并保留金属构件特征？

我有一组带固有噪声的激光扫描数据序列，X轴为距离（米），约每毫米一个读数；Y轴为高度（毫米），采集时速度恒定。低电平代表沥青路面，凸起的几何图案是金属构件（如井盖/排水盖），路面本身的纹理和扫描噪声混合存在，无法完全消除路面纹理，但需保留金属构件的清晰几何特征，后续要测量构件的高度幅度和峰间距。

已尝试的滤波方案 #

• Savitzky–Golay filter：降低了信号分辨率，金属构件的边角被磨圆，图案退化为曲线，丢失了几何细节
• signal.medfilt（中值滤波）：能一定程度去噪，但增大核尺寸时同样会让构件边角变圆，不过不会像SG滤波那样大幅损失分辨率
• Butterworth低通/高通滤波器：会让数据整体扁平化，无法保留构件的高度特征，不利于后续测量
• 傅里叶变换：尝试时遇到困难，多数示例都是处理人工添加的噪声，而实际数据的噪声频率接近且随机，无从下手

推荐的处理思路（多步骤组合） #

1. 自适应阈值分割+形态学处理
   • 先计算路面基线：用滑动窗口取最小值（窗口大小选远小于构件宽度但大于路面纹理的尺寸，比如5-10cm对应的点数），得到路面的基准电平
   • 用自适应阈值（基线+固定偏移量）把高于阈值的部分标记为构件区域，低于的标记为路面
   • 对标记后的二值图做形态学开运算（先腐蚀后膨胀），去掉构件区域内的小噪声点，同时尽量保留边角
2. 局部加权平滑+边缘增强
   • 对原始数据，只在路面区域应用轻度中值滤波（小核尺寸，比如3-5），构件区域保留原始数据或者用极小核的Savitzky–Golay filter（阶数选3阶），兼顾去噪和细节保留
   • 用 Sobel 或 Canny 边缘检测提取构件的边界，再将边缘信息叠加到平滑后的数据上，强化边角特征
3. 频域滤波的优化思路
   • 先对原始数据做FFT，分析功率谱：路面纹理的频率应该是相对集中的高频段（因为纹理细密），而金属构件的频率是低频段（几何尺寸大）
   • 设计带阻滤波器，只滤除路面纹理对应的高频峰值，而非一刀切的低通滤波，这样能保留构件的低频特征和边缘的高频细节
   • 滤波后做逆FFT，再结合时域的阈值修正，去除残留噪声

后续特征测量的探索方向 #

• 高度测量：提取构件区域的原始Y值，用计算得到的路面基线做参考，统计最大高度、平均高度，避免直接用滤波后的数据，保证幅度测量的准确性
• 峰间距测量：用边缘检测得到的边界点，计算相邻构件的起始/结束位置的距离；或用scipy.signal.find_peaks结合阈值筛选，只保留构件的有效峰值，再计算峰间距
• 自动化参数调整：用已知尺寸的构件数据做测试，建立参数的自适应规则（比如根据路面纹理的平均宽度自动调整滑动窗口大小），提升不同场景下的处理效果

内容的提问来源于stack exchange，提问作者Roy Jaques