CN104280725A - 全波形激光雷达数据波形分解方法 - Google Patents
全波形激光雷达数据波形分解方法 Download PDFInfo
- Publication number
- CN104280725A CN104280725A CN201310450456.3A CN201310450456A CN104280725A CN 104280725 A CN104280725 A CN 104280725A CN 201310450456 A CN201310450456 A CN 201310450456A CN 104280725 A CN104280725 A CN 104280725A
- Authority
- CN
- China
- Prior art keywords
- sigma
- component
- waveform
- parameter
- wave data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/4865—Time delay measurement, e.g. time-of-flight measurement, time of arrival measurement or determining the exact position of a peak
- G01S7/4866—Time delay measurement, e.g. time-of-flight measurement, time of arrival measurement or determining the exact position of a peak by fitting a model or function to the received signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了一种全波形激光雷达数据波形分解方法。该方法利用AIC进行组分数估计,采用LM进行遗失组分探测,可快速获取后向散射回波波形中的组分数信息,算法简单,探测效率高,与一般的波形分解方法相比,兼顾模型组分数的初始化准确度和波形分解的完整性。
Description
技术领域
本发明涉及遥感对地观测技术领域,尤其涉及一种全波形激光雷达数据波形分解方法。
背景技术
作为一种新型的遥感对地观测技术,机载激光雷达可直接获取地面目标三维信息,在数字城市、应急减灾、环境监测等各方面应用广泛,是传统摄影测量技术的有效补充。相对于传统激光雷达系统获取的地物相关信息量有限,全波形激光雷达系统以非常小的采样间隔记录激光回波的全部信息并以数字化存储,其本质上是激光束传播方向上地物的各次回波信息的叠加,能提供丰富的垂直结构信息和地物的反射信息,经过处理可以得到能够反映地物固有特性的潜在特征。
由于目标的散射特性和同激光脉冲的作用机理等因素的不同,全波形激光雷达记录的回波波形中回波信号混杂叠加在一起,不能直接获取目标的有价值信息,需要进行全波形数据处理,涵盖预处理、波形建模、波形分解、组分特征提取等。其中,精确获取各组分信息的关键在波形分解。目前常用的方法有基于期望最大化(Expectation Maximum,EM)法、反卷积法和B样条法等,其中EM法较为成熟,该算法需要进行模型初始化,模型初始化参数包括组分数和各组分的振幅、波形宽度等参数。以下给出应用EM法进行全波形激光雷达数据波形分解的具体实例。
参考文件1(Persson A,Soderman U,Topel J,et al.Visualization AndAnalysis Of Full-Waveform Airborne Laser Scanner Data.ISPRS WG III/3,III/4,V/3Workshop″Laser Scanning2005″,2005[C],Enschede,TheNetherlands:Vosselman G,Brenner C,2005:103-108)提供了一种全波形激光雷达数据波形分解方法。此方法采用赤池信息量准则(AkaikeInformation Criterion,AIC)对组分数进行估计,进一步采用广义高斯函数为核函数,基于非线性最小二乘(Nonlinear least squares,NLS)方法对后向散射回波波形的模型参数进行初始化,完成波形模型参数初始化后采用EM算法完成波形分解。然而,上述方法仅通过EM算法中似然方程的收敛来判断波形分解是否完成,当后向散射回波波形较复杂或去噪未彻底时,可能会存在遗失组分的情况
为了改善遗失组分的情况,参考文件2(Chauve A,Vega C,Durrieu S,etal.Advanced Full-Waveform Lidar Data Echo Detection:Assessing QualityOf Derived Terrain And Tree Height Models In An Alpine Coniferous Forest[J].International Journal Of Remote Sensing,2009,30(19):5211-5228)提出了在模型参数初始化时采用NLS方法,波形分解过程基于EM算法并结合列文伯格-马夸尔特法(Levenberg-Marquardt,简称LM)思想,可对激光脉冲后向散射回波波形进行增强探测的迭代算法,能有效地探测到回波中遗失的组分。
虽然参考文件2中方法能够在一定程度上探测到回波中遗失组分,但是,由于模型初始化时采用拟合残差最小为最优条件,因此引入的误差在波形分解前就带来对后续遗失组分探测的影响,从而导致组分可能不能被完整探测,影响波形分解的精度。
发明内容
(一)要解决的技术问题
鉴于上述技术问题,本发明提供了一种兼顾模型组分数的初始化准确度和波形分解的完整性的全波形激光雷达数据波形分解方法。
(二)技术方案
根据本发明的一个方面,提供了一种全波形激光雷达数据波形分解方法。该全波形激光雷达数据波形分解方法包括:
步骤A,对后向散射回波波形数据的组分数N进行初始化估计,得到组分数N的初始值令其中,该后向散射回波波形数据包括采样点数S、各采样点的采样时间xi和强度值yi,其中,xi=t0+iΔt,i=1、2、......、S,t0为采样开始时间,Δt为采样间隔;
步骤B,基于后向散射回波波形数据以及组分数N,把S个采样点的强度值yi作为f(x)代入如下广义高斯混合模型,确定广义高斯混合模型中各组分的初始参数,进行广义高斯混合模型的初始化:
其中,f(x)为采用广义高斯混合模型拟合的后向散射回波波形数据;fj(x)为第j个组分的波形数据,其中x为采样点的采样时间,组分j的初始参数包括:振幅Aj,组分位置μj,波形宽度σj(1σ),波形形状因子αj,1≤j≤N。
步骤C,利用初始化的广义高斯混合模型,基于EM算法自迭代对广义高斯混合模型中的各个参数进行更新,完成后向散射回波波形数据的混合高斯分解,得到分解后的后向散射回波波形数据;以及
步骤D,判断分解后的后向散射回波波形数据是否存在遗失组分,如果不存在遗失组分,则波形分解完成,如果存在遗失组分,估计新的组分数N*,用组分数N*替换原有广义高斯混合模型中的N,重新执行步骤B~D。
(三)有益效果
从上述技术方案可以看出,本发明全波形激光雷达数据波形分解方法,与一般的波形分解方法相比,兼顾模型组分数的初始化准确度和波形分解的完整性,具有以下有益效果:
(1)利用AIC进行组分数估计,可快速获取后向散射回波波形中的组分数信息,算法简单,探测效率高;
(2)通过将估计后的组分数和组分的振幅、位置、波形宽度等模型参数导入到LM算法分析波形分解结果,可进一步探测到遗失组分,最大化的保证波形分解的完整性。
附图说明
图1为本发明实施例全波形激光雷达数据波形分解方法的流程图;
图2为分别采用本发明方法与参考文献1方法对测试数据进行波形分解后得到的波形数据f(x)的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号。附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。另外,虽然本文可提供包含特定值的参数的示范,但应了解,参数无需确切等于相应的值,而是可在可接受的误差容限或设计约束内近似于相应的值。
本发明针对全波形激光雷达数据波形分解时存在的遗失组分问题,提出联合AIC和LM的全波形激光雷达数据波形分解方法,自迭代判断遗失组分数目及位置,从而可以有效提高波形分解精度。
在本发明的一个示例性实施例中,提供了一种全波形激光雷达数据波形分解方法。如图1所示,本实施例全波形激光雷达数据波形分解方法包括:
步骤A,对后向散射回波波形数据的组分数N进行初始化估计,得到组分数N的初始值令其中,该后向散射回波波形数据包括采样点数S、各采样点的采样时间xi和强度值yi,其中,xi=t0+iΔt,i=1、2、......、S,t0为采样开始时间,Δt为采样间隔;
本步骤中,后向散射回波波形数据事先应当进行去噪平滑预处理。本步骤中,采用AIC方法对后向散射回波波形数据的组分数N进行初始化估计,得到组分数N的初始值进一步包括:
子步骤A1,对S个采样点强度值组成的采样强度序列采用一阶导数寻找极大值,令N0=M,其中M为极大值的个数;
子步骤A2,基于AIC方法估计后向散射回波波形数据组分数N进行初始化估计,得到组分数的初始值具体来讲,根据以下公式计算组分数初始值
其中,arg min log(vN(N))为使vN(N)取最小值时的组分数N,μj为采样强度序列中第j个极大值对应的采样时间。
步骤B,基于后向散射回波波形数据以及组分数N,把S个采样点的强度值yi作为f(x)代入如下广义高斯混合模型,结合非线性最小二乘法NLS确定广义高斯混合模型中各组分的初始参数,进行广义高斯混合模型的初始化:
其中,f(x)为采用广义高斯混合模型拟合的后向散射回波波形数据;fj(x)为第j个组分的波形数据,其中x为采样点的采样时间,组分j的初始参数包括:振幅Aj,组分位置μj,波形宽度σj(1σ),波形形状因子αj,1≤j≤N。
步骤C,利用初始化的广义高斯混合模型,基于EM算法自迭代对广义高斯混合模型中的各个参数进行更新,完成后向散射回波波形数据的混合高斯分解,得到分解后的后向散射回波波形数据;
该步骤C进一步包括:
子步骤C1,利用广义高斯混合模型的初始参数,计算初始似然方程:
其中,为第0次迭代时广义高斯混合模型中第j个组分的参数Aj,μj,σj,αj,即初始模型参数,上标(0)表示迭代次数;为模型参数是的第j个组分的波形数据在采样时间xi处的值。
子步骤C2,计算第i个采样点属于第j个组分的概率
其中,为第m次迭代时广义高斯混合模型中第j个组分的参数,m初值为0,为模型参数是的第j个组分的波形数据在采样的时间xi处理值。
子步骤C3,基于第m次迭代时的参数,计算获得第m+1次迭代时广义高斯混合模型的参数:
其中,
子步骤C4,基于第m+1次迭代时广义高斯混合模型的参数,计算第m+1次似然方程
子步骤C5,判断是否满足终止迭代条件,设置阈值ε∈(0,1),当|L(m+1)-L(m)|≤ε时,迭代终止,波形数据的混合高斯分解完毕,得到分解后各组分的波形数据和模型参数,进入步骤D;当|L(m+1)-L(m)|>ε时,m=m+1,重新进行子步骤C2,直到判断迭代终止。
步骤D,采用LM算法自迭代判断步骤C分解后的后向散射回波波形数据是否存在遗失组分,如果不存在遗失组分,则波形分解完成,如果存在遗失组分,估计新的组分数N*,用组分数N*替换原有广义高斯混合模型中的N,重新执行步骤B~D;
该基于LM算法自迭代判断遗失组分的步骤D进一步包括:
子步骤D1,计算非负常数
其中,θ=(A1,μ1,σ1,α1,...,Aj,μj,σj,αj,...,AN,μN,σN,αN),j=1,...,N为步骤C分解得到的广义高斯混合模型参数组成的参数向量,f(xi|θ)是参数为θ时后向散射回波波形数据f(x)在采样时间xi处的值,dimθ为参数向量θ的维数。
子步骤D2,设置阈值ε′∈(0,1),当ε(θ)>ε′时,判断存在遗失组分,估计新的组分数 用组分数N*替换原有广义高斯混合模型中的N,重新执行步骤B~D;当ε(θ)≤ε′时,判断不存在遗失组分,波形分解完成,得到N个组分波形数据及广义高斯混合模型参数组成的参数向量,包括各组分的振幅、位置、波形宽度和波形形状因子。
如图2所示为分别采用本发明方法与参考文献1方法对测试数据(后向散射回波波形数据采样点)进行波形分解后得到的波形数据f(x)的示意图。其中,采用本实施例方法得到的波形数据f(x)用实线表示,采用参考文献1方法得到的波形数据f(x)用虚线表示。从图2中可以看出,相对于参考文献1方法,采用本发明方法得到的波形数据f(x)更贴近于原始数据,有利于组分的完整探测,可确切反映原始数据的真实情况,包括组分数、各组分的振幅、组分位置等。
至此,已经结合附图对本实施例进行了详细描述。依据以上描述,本领域技术人员应当对本发明全波形激光雷达数据波形分解方法有了清楚的认识。
此外,上述对各步骤的定义并不仅限于实施方式中提到的各种具体方式,本领域的普通技术人员可对其进行简单地熟知地替换,例如:
(1)步骤A中AIC方法可以用LM方法来代替进行组分数初始化;
(2)步骤B中非线性最小二乘法可以用极大似然估计来代替进行广义高斯模型的初始化;
(3)步骤D中LM算法可以用惩罚最小匹配距离代替判断是否存在遗失组分。
综上所述,本发明提供一种顾及遗失组分的全波形激光雷达数据波形分解方法,与一般的波形分解方法相比,兼顾广义高斯混合模型中组分数的初始化准确度和波形分解的完整性,具有方法简单,探测效率高的优势,可以应用于特征提取、点云精细分类、DEM生成等领域。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种全波形激光雷达数据波形分解方法,其特征在于,包括:
步骤A,对后向散射回波波形数据的组分数N进行初始化估计,得到组分数N的初始值令其中,该后向散射回波波形数据包括采样点数S、各采样点的采样时间xi和强度值yi,其中,xi=t0+iΔt,i=1、2、......、S,t0为采样开始时间,Δt为采样间隔;
步骤B,基于后向散射回波波形数据以及组分数N,把S个采样点的强度值yi作为f(x)代入如下广义高斯混合模型,确定广义高斯混合模型中各组分的初始参数,进行广义高斯混合模型的初始化:
其中,f(x)为采用广义高斯混合模型拟合的后向散射回波波形数据;fj(x)为第j个组分的波形数据,其中x为采样点的采样时间,组分j的初始参数包括:振幅Aj,组分位置μj,波形宽度σj(1σ),波形形状因子αj,1≤j≤N。
步骤C,利用初始化的广义高斯混合模型,基于EM算法自迭代对广义高斯混合模型中的各个参数进行更新,完成后向散射回波波形数据的混合高斯分解,得到分解后的后向散射回波波形数据;以及
步骤D,判断分解后的后向散射回波波形数据是否存在遗失组分,如果不存在遗失组分,则波形分解完成,如果存在遗失组分,估计新的组分数N*,用组分数N*替换原有广义高斯混合模型中的N,重新执行步骤B~D。
2.根据权利要求1所述的全波形激光雷达数据波形分解方法,其特征在于,所述步骤A中,采用AIC方法或LM方法对后向散射回波波形数据的组分数N进行初始化估计。
3.根据权利要求2所述的全波形激光雷达数据波形分解方法,其特征在于,采用AIC方法对后向散射回波波形数据的组分数N进行初始化估计,得到组分数N的初始值进一步包括:
子步骤A1,对S个采样点强度值组成的采样强度序列采用一阶导数寻找极大值,其中M为极大值的个数,令N0=M;
子步骤A2,基于AIC方法估计后向散射回波波形数据组分数N进行初始化估计,得到组分数的初始值具体来讲,根据以下公式计算组分数初始值
其中,arg min log(vN(N))为使vN(N)取最小值时的组分数N,μj为采样强度序列中第j个极大值对应的采样时间。
4.根据权利要求1所述的全波形激光雷达数据波形分解方法,其特征在于,所述步骤B中采用非线性最小二乘法或极大似然估计来进行广义高斯混合模型的初始化。
5.根据权利要求1所述的全波形激光雷达数据波形分解方法,其特征在于,所述步骤C进一步包括:
子步骤C1,利用广义高斯混合模型的初始参数,计算初始似然方程:
其中,为第0次迭代时广义高斯混合模型中第j个组分的参数Aj,μj,σj,αj,即初始模型参数,上标(0)表示迭代次数;为模型参数是的第j个组分的波形数据在采样时间xi处的值;
子步骤C2,计算第i个采样点属于第j个组分的概率
其中,为第m次迭代时广义高斯混合模型中第j个组分的参数,m初值为0,为模型参数是的第j个组分的波形数据在采样时间xi处的值;
子步骤C3,基于第m次迭代时的参数,计算获得第m+1次迭代时广义高斯混合模型的参数:
其中,
子步骤C4,基于第m+1次迭代时广义高斯混合模型的参数,计算第m+1次似然方程
子步骤C5,判断是否满足终止迭代条件,设置阈值ε∈(0,1),当|L(m+1)-L(m)|≤ε时,迭代终止,波形数据的混合高斯分解完毕,得到分解后各组分的波形数据和模型参数,进入步骤D;当|L(m+1)-L(m)|>ε时,m=m+1,重新进行子步骤C2,直到判断迭代终止。
6.根据权利要求1所述的全波形激光雷达数据波形分解方法,其特征在于,所述步骤D中采用LM算法或惩罚最小匹配距离法判断分解后的后向散射回波波形数据是否存在遗失组分。
7.根据权利要求6所述的全波形激光雷达数据波形分解方法,其特征在于,采用LM算法判断分解后的后向散射回波波形数据是否存在遗失组分具体包括:
子步骤D1,计算非负常数
其中,θ=(A1,μ1,σ1,α1,...,Aj,μj,σj,αj,...,AN,μN,σN,αN),j=1,...,N为步骤C分解得到的广义高斯混合模型参数组成的参数向量,f(xi|θ)是参数为θ时后向散射回波波形数据f(x)在采样时间xi处的值,dimθ为参数向量θ的维数;
子步骤D2,设置阈值ε′∈(0,1),当ε(θ)>ε′时,判断存在遗失组分,估计新的组分数 用组分数N*替换原有广义高斯混合模型中的N,重新执行步骤B~D;当ε(θ)≤ε′时,判断不存在遗失组分,波形分解完成,得到N个组分波形数据及广义高斯混合模型参数组成的参数向量,包括各组分的振幅、位置、波形宽度和波形形状因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310450456.3A CN104280725A (zh) | 2013-09-25 | 2013-09-25 | 全波形激光雷达数据波形分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310450456.3A CN104280725A (zh) | 2013-09-25 | 2013-09-25 | 全波形激光雷达数据波形分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104280725A true CN104280725A (zh) | 2015-01-14 |
Family
ID=52255791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310450456.3A Pending CN104280725A (zh) | 2013-09-25 | 2013-09-25 | 全波形激光雷达数据波形分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104280725A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137411A (zh) * | 2015-09-07 | 2015-12-09 | 辽宁工程技术大学 | 基于地物散射的全波LiDAR波形分解方法 |
CN106154247A (zh) * | 2016-06-24 | 2016-11-23 | 南京林业大学 | 一种多尺度全波形激光雷达数据最优化分解方法 |
CN106500671A (zh) * | 2016-09-22 | 2017-03-15 | 天津大学 | 一种基于lm算法分解激光雷达波形确定海水深度的方法 |
CN106599808A (zh) * | 2016-12-01 | 2017-04-26 | 中国科学院光电研究院 | 一种基于全波形激光雷达数据的隐蔽目标提取方法 |
CN107479045A (zh) * | 2017-06-29 | 2017-12-15 | 武汉天擎空间信息技术有限公司 | 基于全波形激光雷达点云数据剔除低矮植被的方法及系统 |
CN110009054A (zh) * | 2019-04-12 | 2019-07-12 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
CN110673109A (zh) * | 2019-11-01 | 2020-01-10 | 自然资源部国土卫星遥感应用中心 | 一种星载大光斑激光雷达全波形数据分解方法 |
CN113608195A (zh) * | 2021-10-08 | 2021-11-05 | 中国地质大学(武汉) | 一种激光雷达全波形数据分解测深方法、装置及电子设备 |
EP4184212A4 (en) * | 2020-07-20 | 2023-09-20 | Huawei Technologies Co., Ltd. | SIGNAL PROCESSING METHOD AND APPARATUS |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012172526A1 (en) * | 2011-06-17 | 2012-12-20 | Leddartech Inc. | System and method for traffic side detection and characterization |
CN103217679A (zh) * | 2013-03-22 | 2013-07-24 | 北京航空航天大学 | 一种基于遗传算法的全波形激光雷达回波数据的高斯分解法 |
-
2013
- 2013-09-25 CN CN201310450456.3A patent/CN104280725A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012172526A1 (en) * | 2011-06-17 | 2012-12-20 | Leddartech Inc. | System and method for traffic side detection and characterization |
CN103217679A (zh) * | 2013-03-22 | 2013-07-24 | 北京航空航天大学 | 一种基于遗传算法的全波形激光雷达回波数据的高斯分解法 |
Non-Patent Citations (1)
Title |
---|
王金虎: "全波形激光雷达数据处理及应用技术研究", 《中国科学院研究生院硕士学位论文》, 31 December 2012 (2012-12-31) * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137411B (zh) * | 2015-09-07 | 2017-05-31 | 辽宁工程技术大学 | 基于地物散射的全波LiDAR波形分解方法 |
CN105137411A (zh) * | 2015-09-07 | 2015-12-09 | 辽宁工程技术大学 | 基于地物散射的全波LiDAR波形分解方法 |
CN106154247A (zh) * | 2016-06-24 | 2016-11-23 | 南京林业大学 | 一种多尺度全波形激光雷达数据最优化分解方法 |
CN106154247B (zh) * | 2016-06-24 | 2018-07-10 | 南京林业大学 | 一种多尺度全波形激光雷达数据最优化分解方法 |
CN106500671B (zh) * | 2016-09-22 | 2020-04-07 | 天津大学 | 一种基于lm算法分解激光雷达波形确定海水深度的方法 |
CN106500671A (zh) * | 2016-09-22 | 2017-03-15 | 天津大学 | 一种基于lm算法分解激光雷达波形确定海水深度的方法 |
CN106599808A (zh) * | 2016-12-01 | 2017-04-26 | 中国科学院光电研究院 | 一种基于全波形激光雷达数据的隐蔽目标提取方法 |
CN106599808B (zh) * | 2016-12-01 | 2020-12-15 | 中国科学院光电研究院 | 一种基于全波形激光雷达数据的隐蔽目标提取方法 |
CN107479045A (zh) * | 2017-06-29 | 2017-12-15 | 武汉天擎空间信息技术有限公司 | 基于全波形激光雷达点云数据剔除低矮植被的方法及系统 |
CN107479045B (zh) * | 2017-06-29 | 2020-03-17 | 武汉天擎空间信息技术有限公司 | 基于全波形激光雷达点云数据剔除低矮植被的方法及系统 |
CN110009054B (zh) * | 2019-04-12 | 2021-01-29 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
CN110009054A (zh) * | 2019-04-12 | 2019-07-12 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
CN110673109A (zh) * | 2019-11-01 | 2020-01-10 | 自然资源部国土卫星遥感应用中心 | 一种星载大光斑激光雷达全波形数据分解方法 |
CN110673109B (zh) * | 2019-11-01 | 2021-09-21 | 自然资源部国土卫星遥感应用中心 | 一种星载大光斑激光雷达全波形数据分解方法 |
EP4184212A4 (en) * | 2020-07-20 | 2023-09-20 | Huawei Technologies Co., Ltd. | SIGNAL PROCESSING METHOD AND APPARATUS |
CN113608195A (zh) * | 2021-10-08 | 2021-11-05 | 中国地质大学(武汉) | 一种激光雷达全波形数据分解测深方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104280725A (zh) | 全波形激光雷达数据波形分解方法 | |
Schumann et al. | Progress in integration of remote sensing–derived flood extent and stage data and hydraulic models | |
CN106599808B (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN103033815B (zh) | 基于混响协方差矩阵的距离扩展目标的检测方法和装置 | |
CN107239659B (zh) | 一种基于改进的k-rusle模型与成土速率计算土壤侵蚀的方法 | |
CN106500671B (zh) | 一种基于lm算法分解激光雷达波形确定海水深度的方法 | |
CN104180754A (zh) | 基于激光雷达综合波形模型反演森林生物物理特性的方法 | |
CN106547037A (zh) | 双频双偏振微波链路联合的雨滴谱反演及降水类型识别方法 | |
CN106802289A (zh) | 基于测深激光全波形数据的漫衰减系数提取方法及系统 | |
KR101620068B1 (ko) | 가우시안 혼합모델을 이용한 위성 해무 탐지 시스템, 그리고 가우시안 혼합모델에 기초한 ul 안개탐지 방법 | |
CN107346020B (zh) | 一种用于异步多基地雷达系统的分布式批估计融合方法 | |
CN105676205A (zh) | 一种机载LiDAR波形数据高斯分解方法 | |
CN103197305A (zh) | 基于支持向量机识别的沙尘型气溶胶反演方法 | |
CN103324835A (zh) | 概率假设密度滤波器目标信息的保持方法及信息保持系统 | |
CN103927737A (zh) | 基于非局部均值的sar图像变化检测方法 | |
He et al. | ICESat-2 data classification and estimation of terrain height and canopy height | |
Saponaro et al. | Evaluation of aerosol and cloud properties in three climate models using MODIS observations and its corresponding COSP simulator, as well as their application in aerosol–cloud interactions | |
CN110135299B (zh) | 一种用于浅水测深的单波段蓝绿激光波形分析方法及系统 | |
CN104036491A (zh) | 基于区域划分和自适应多项式隐模型的sar图像分割方法 | |
Gao et al. | Retrieving forest canopy height from ICESat-2 data by an improved DRAGANN filtering method and canopy top photons classification | |
CN105652256A (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN105844644A (zh) | 基于形态学中值导数的海陆杂波场景分割方法 | |
CN103631990A (zh) | Sar照射区域的仿真场景模型建立方法和系统 | |
CN103177443A (zh) | 基于随机hough变换的SAR目标姿态角估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150114 |
|
RJ01 | Rejection of invention patent application after publication |