CN106154247A - 一种多尺度全波形激光雷达数据最优化分解方法 - Google Patents

Abstract

本发明提出一种多尺度全波形激光雷达数据最优化分解方法，其方法包括以下步骤：（一）通过对全波形信号的增强处理，提高信号的信噪比，提升后向散射波形的数据质量；（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合；（三）对波形分解结果进行精度评价。本发明的优点：1）提出的综合核密度函数和先验知识的波形优化模型，既防止了数据的过拟合，又保证了解析结果的合理性，构建的优化模型具有开放性，可以容易地扩充有效的核密度函数和可靠的先验知识。2）多尺度全波形数据信息提取与挖掘的完整框架，实现了信息提取的完整性，综合多种方法定性和定量地验证了结果的精度和有效性。

Description

一种多尺度全波形激光雷达数据最优化分解方法

技术领域

本发明提出一种多尺度全波形激光雷达数据最优化分解方法，属于遥感科学技术领域。

背景技术

激光雷达（Light Detection and Ranging, LiDAR）技术是20世纪90年代后期兴起的一种主动式遥感技术，作为遥感技术的前沿领域，它可以快速、精确地获取地物或地面点的三维坐标和反射强度等信息；该技术发展初期，由于受到激光载荷发射频率、视场角度、脉冲发射强度等技术因素的限制，点云的密度较低，在缺乏异源数据的前提下，难以单纯地利用稀疏点云的几何和辐射信息进行特征提取、目标识别和三维重建等，近年来，随着大容量存储技术、芯片计时技术、在线实时处理技术和激光雷达载荷技术的发展，现已发展为能够完整记录后向散射波形的全波形激光雷达系统，借助波形的在线或离线分解和拟合技术，可以精确地解析全波形数据，生成高密度的点云，提取和反演后向散射波形中回波的数目、位置、几何形状参数、反射强度、后向散射因子、后向散射截面、归一化后向散射截面等众多特征；由于这些特征充分耦合了地物的几何和辐射信息，在地物分类和识别领域具有至关重要的作用，被广泛应用于植被分割、树种识别、森林结构参数提取、城区地物分类和高精度数字地形模型DTM（Digital Terrain Model, DTM）提取。

全波形激光雷达技术最早被美国国家航空航天局（National Aeronautics andSpace Administration, NASA）应用于大光斑机载和星载系统，譬如机载SLICER（ScanningLiDAR Imager of Canopies by Echo Recovery, SLICER）系统，光斑直径为10-15 m；机载LVIS（Laser Vegetation Imaging Sensor, LVIS）系统，光斑直径为10-25 m；星载 GLAS（Geoscience Laser Altimeter System, GLAS）系统，光斑直径约为70 m。近十年来，全波形激光雷达技术开始应用于小光斑机载激光雷达系统中，早期以Riegl LMS-Q560、ALTM3100和TopEye Mark II等为代表的小光斑雷达设备，已具备了记录全波形的功能，小光斑直径通常为0.2-2 m，近年来，以Riegl VZ-1000/VZ-4000、EVI（Echidna ValidationInstrument, EVI）等为代表的微小光斑地基式激光雷达设备发展迅速，在扫描距离100 m内，光斑的直径通常小于 20 mm，这些地基式设备可以根据用户需求，配备相应的全波形模块，记录微小光斑的完整后向散射波形。

相比传统离散点云激光雷达系统而言，全波形激光雷达系统给终端用户带来了更多数据处理的控制权和灵活性，基于该类系统数据，可以提取更加丰富的信息，其优势如下：① 全波形激光雷达系统可以透过微小缝隙，探测地物内部三维空间结构，非常适合提取林区高分辨率DTM，反演森林植被结构参数（树高、树冠面积、胸径、树干断面积、生物量和叶面积指数等），评估森林碳储量和木材量，评价森林生态健康；② 全波形数据借助波形分解算法可以生成高密度点云，在一定程度上能够缓解由于点云稀疏造成的扫描数据缺失的问题，譬如利用高密度的建筑点云，建筑屋顶和立体面的细节将会在重建中得以恢复；在结合树种先验数据库的前提下，利用高密度的植被点云，准确分割和识别同类树种将会变为可能；③ 全波形数据可以提供丰富的点云附加特征，例如回波的振幅、位置、宽度、偏度、峰度、反射强度、后向散射因子、后向散射截面、归一化后向散射截面等，这些特征可有效地辅助地物分割和识别；④ 全波形数据在波形分解的同时，可以一并实现点云回波强度特征的相对和绝对辐射校正，由于回波的能量值受到激光载荷搭载平台高度、发射角度、地形、地物反射率等综合因素的影响，设备记录的原始后向散射波形中每个回波的反射强度往往具有异质性，严重影响了点云光谱信息的深度应用，经相对辐射校正后，反射强度特征可以用于辅助地物的分类和识别，经绝对辐射校正后，结合典型地物光谱库，反射强度特征可用于地表辐射研究；⑤ 全波形数据中包含地物的精确位置信息，经精确波形分解后可解析出高精度点云，而传统离散点云激光雷达系统则通过简单阈值来确定地物（回波）位置，损失了点云的精度。

全波形数据优势的实现依赖于精确的波形分解，只有通过精确的波形分解才能得到高精度、高密度的三维离散点云，应用在林业中，可以实现精确刻画植被的三维空间结构、反演森林植被结构参数、评估森林的碳储量和木材量、评价森林生态健康等目的；应用到建筑领域，高精度高密度的点云还可以实现精细刻画建筑边界和立面细节、生产数字线划图、重建建筑立面三维模型等功能，此外，除几何坐标外，通过波形分解还可以得到丰富的点云附属特征，例如振幅、宽度、偏度、峰度、反射强度、后向散射因子、后向散射截面、归一化后向散射截面等，将这些特征融入到机器学习中，有望提高点云分类和地物认知的精度。

当前，众多学者已在全波形分解和拟合领域展开了深入的研究并逐渐形成了几种主流的算法，大致可归结为回波探测法、参数模型拟合法和反卷积法三类。

（1）回波探测法

该类方法旨在最大程度上获取后向散射波形中的所有回波，从而提高点云解析的精度，提升对微小地物的识别能力和对邻近地物的区分能力，大多数学者都采用较为直接的方法，如局部极大值法、简单阈值法、重心法、一阶导数零点法和二阶导数零点法等探测后向散射波形中众多回波的位置，通常情况下，回波探测法侧重解析点云的空间位置，而非全面提取点云的附加特征，因此算法运行速度快，回波探测率也较高，但在噪声较大的前提条件下，往往难以探测到微弱回波。

（2）参数模型拟合法

该类方法的实质是将波形探测和参数提取问题转化为模型参数优化问题，具体流程是结合核密度函数，采用最小二乘原理或者优化匹配策略，拟合激光雷达后向散射波形，该类方法常采用高斯-牛顿（Gauss-Newton）、期望最大化（Expectation Maximum, EM）、列文伯格-马夸尔特（Levenberg-Marquardt）、可逆转马尔科夫蒙特卡洛（Reversible-jumpMarkov chain Monte Carlo, RJMCMC）或模拟退火（Simulated Annealing，SA）等优化算法求解目标函数,上述方法的原则是既要保证拟合后的模型与波形数据具有一致性，又要最大程度上避免波形的过度拟合。

（3）反卷积方法

激光脉冲的后向散射波是发射脉冲与地面冲击响应的卷积，因此，在已知发射脉冲和接收波形的前提条件下，求解地物或地面的冲击响应（回波）就自然转化为求反卷积的问题。反卷积法的实质是一个凸优化问题，可以有效避免局部次优解；通常，该类方法不需要事先指定回波位置和回波几何形态参数等初始值，因此被广泛应用于光谱学、信号复原、信号分析、信号模拟等领域。主流的反卷积方法包括小波反卷积、维纳滤波反卷积、Gold反卷积、线性反卷积、EM反卷积、Richardson-Lucy等。

在波形分解方面，国内外学者虽然取得了一定程度的研究进展，但是仍存在诸多问题，譬如现有方法往往对噪声和初始参数比较敏感；提取的信息往往不够完整（仅提取加密点云或回波的少许基本特征，不关注回波的深层次属性特征）；现有的绝大多数波形分解算法往往采用迭代求解，很难做到实时分解等。上述这些问题大多属于基于某一特定算法或流程的细节问题，如果旨在从根本上提高波形分解的精度，并能够兼容处理多尺度的波形数据，解决现有技术以下三方面缺陷显得尤为重要：① 由于不同扫描场景中地物（散射体）的表面几何形状、散射体之间的几何关系、散射体与激光传感器的距离、光斑尺寸、散射体的材料（反射率）、地形特征（坡度和粗糙度等）、激光脉冲的入射角度、大气和镜面的反射效应等众多因素共同影响后向散射波形的几何形状，传统依靠高斯核密度函数的波形拟合方法难以实现处理非高斯对称回波和具有偏态分布的复杂波形；②现有的波形分解算法往往缺少软约束，解决如何在现有的波形分解算法中融入可靠“软约束”，使得既能提高微弱回波和叠加回波等复杂回波的探测率，又能有效避免波形数据过拟合，从而全面提升利用该数据理解地物空间几何分布是目前需要迫切解决的问题；③ 当前全波形激光雷达数据的采集方法、数据格式和后处理算法严重依赖于硬件厂商的特定设备和平台，在算法中融入对多尺度（分辨率）波形数据兼容处理的思想，将会降低全波形数据对厂商、载荷和多平台的依赖性，扩大波形数据处理算法的应用范围。

当前全波形激光雷达（Full-waveform LiDAR）数据的采集方法、数据格式和后处理算法严重依赖于硬件厂商的特定设备和平台，解析精度和信息提取的全面性难以保证，制约了全波形雷达数据的深入应用，为改变这种现状，本发明综合多类先验知识和核密度函数，设计正则约束和数据约束下的多尺度全波形分解优化算法，首先引入多类核密度函数，构建核密度函数库，拟合后向散射波形中形态各异的回波，同时统计多尺度波形数据的分布特征，研究先验知识约束下的波形数据拟合方法，解决单纯依靠核密度函数造成的波形过拟合问题，然后综合分析核密度函数和先验知识，探索融合核密度函数和先验知识的动态自由组合策略，构建数据约束和先验知识约束下的优化模型，在提高波形分解和拟合精度的同时，全面提取回波的几何和辐射特征，本发明的实施对于综合利用多尺度全波形激光雷达数据，拓展全波形数据的应用领域，完善激光雷达理论与方法具有重要的理论和实践意义。

发明内容

本发明提出的是一种多尺度全波形激光雷达数据最优化分解方法，旨在探索一种可以兼顾星载、机载、车载和地基式多尺度全波形激光雷达数据的波形分解和建模方法，充分挖掘各类全波形数据的潜在信息，为全波形数据在林业、生态等领域的深入应用提供科学准确的数据源。

本发明的技术解决方案：一种多尺度全波形激光雷达数据最优化分解方法，其方法包括以下步骤：

（一）通过对全波形信号的增强处理，提高信号的信噪比，提升后向散射波形的数据质量；

（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合；

（三）对波形分解结果进行精度评价。

本发明的优点：

1）提出的综合核密度函数和先验知识的波形优化模型，用于精确分解多尺度后向散射波形中几何形态各异的回波，针对不同平台的波形数据和不同的扫描场景，实时动态组合多类核密度函数和先验知识，既防止了数据的过拟合，又保证了解析结果的合理性，构建的优化模型具有开放性，在不增加求解复杂性的前提条件下，可以较容易地扩充有效的核密度函数和可靠的先验知识；

2）提出的多尺度全波形数据信息提取与挖掘的完整框架，既包含构建优化模型，解析和拟合后向散射波形，也包含波形数据的去噪、平滑以及对微弱回波和叠加信号的预处理，一并完成辐射特征的校正，实现了信息提取的完整性，最后综合多种方法定性和定量地验证了结果的精度和有效性。

附图说明

附图1是完整的多尺度全波型激光雷达数据波形分解方案技术框架的示意图。

具体实施方式

对照附图，一种多尺度全波形激光雷达数据最优化分解方法，其方法包括以下步骤：

（一）通过对全波形信号的增强处理，提高信号的信噪比，提升后向散射波形的数据质量；

（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合；

（三）对波形分解结果进行精度评价。

所述步骤（一）中的全波形信号具体包括星载全波形激光雷达数据、机载全波形激光雷达数据、车载全波形激光雷达数据、地基式全波形激光雷达数据中的任意一种或几种；且每一种全波形信号中除相应的激光雷达数据外，往往还包含背景噪声、传感器暗电流噪声、热噪声、椒盐噪声和波形数字化噪声，这些噪声极大地影响了波形分解的精确度。

所述步骤（一）中的全波形信号的增强处理，具体方法如下：

1）采用脉冲累积（Pulse Accumulation, PA）技术抑制噪声，去除后向散射波形的背景噪声、传感器暗电流噪声、热噪声、椒盐噪声和波形数字化噪声；

2）继而通过小波变换（Wavelet Transform, WT）优化去噪结果；

3）借助Savitzky-Golay滤波方法进一步去除波形的局部噪声、毛刺和随机抖动，平滑去噪后的波形；

4）运用回波放大、内插和平移相邻叠加回波等技术综合处理微弱回波信号和叠加信号。

所述步骤（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合，具体包括以下步骤：

1）构建核密度基元函数库，基元库中包含General Gauss，Lognormal，Weibull，Nakagami，Burr，Triangular和Quadrilateral七类核密度函数；

2）设计抽象目标函数公式（1）拟合复杂波形：

（1）

其中，x _i 表示后向散射波形中第i 时刻的采样点，对应回波强度值为y _i ，N 为后向散射波形的采样次数，n 为后向散射波形中潜在的散射体数目，P _j (x _i ,θ _j )为拟合第j 个回波采用的核密度函数，ε 为后向散射波形的噪声，n 个P _j (x _i ,θ _j )均来自于核密度基元函数库；

3）提炼先验知识，并将先验知识融入到目标函数的求解过程中，设计先验知识波形解析模型，抽象表达如公式（2）所示:

（2）

其中，为后向散射波形的回波数目约束、为回波反射强度约束、为相邻回波距离约束、为相邻回波的区域相似性和一致性约束；

所述的后向散射波形的回波数目约束表达式，如公式（3）所示:

（3）

随着后向散射波形中回波数目的增加，逐渐减小，将会变大，将会有效惩罚后向散射波形中过多的拟合回波，达到防止数据过度拟合的目的；

所述的回波反射强度约束，如公式（4）所示:

（4）

其中，，和分别为实验区回波振幅和回波宽度的最大值，在拟合后向散射回波时，如果核密度函数的振幅大于，需对其进行惩罚；

所述的相邻回波距离约束，如公式（5）所示:

（5）

其中，为后向散射波形中第j 个回波的位置，，为发射脉冲的宽度，当两个相邻散射体的距离小于d 时，将惩罚该现象；

所述的相邻回波的区域相似性和一致性约束，如公式（6）所示:

（6）

其中，为两束邻近区域波形参数,当较大时，即局部连续两束激光脉冲的后向散射波形残差较大，这两束回波的一致性较小，此时需要惩罚该情形；

对于先验知识目标函数（2）涵盖的多个正则项，也需要根据扫描场景进行动态组合,由于场景中不同地物类别的分布具有非均匀或非均衡性，可据此进一步优化目标公式（2），譬如针对回波数目约束项，在城区扫描场景中，建筑通常多于植被，约束项就显得至关重要，而在乡村或者山区扫描场景中，植被往往多于建筑，后向散射波形中可能包含八个甚至更多的回波，此时的约束会削弱波形拟合的效果，使得树木冠层下的低矮植被反射的微弱回波变得难以探测,因此针对具体的扫描场景，优化组合各类先验知识的约束项，无疑可以在数据过拟合和数据提取精度两个方面做到均衡,要实现该目标，需要事先对场景进行简单快速的理解和认知,本发明采用非均衡决策树分类模型，快速理解和认知扫描场景，实时更新先验知识的最优组合;

4）将“基于核密度基元函数的波形解析模型”和“基于先验知识约束的波形解析模型”进行结合，得到统一的抽象目标函数公式（7）:

（7）

其中，为数据约束项，为先验知识正则约束项，θ 为构成核密度函数的参数向量,数据约束的目的使得目标函数经优化组合后尽可能地忠于观测数据,先验知识正则约束，即由先验知识对模型实施约束，避免目标优化函数的过度拟合，从而提高解析结果的精度；

5）通过耦合RJMCMC算法与模拟退火算法，搜索非凸目标函数公式（7）的全局最优解,解析后向散射波形中潜在的多个回波（散射体）的三维坐标、波形宽度、振幅、偏度、峰度、半波宽、后向散射因子、后向散射截面和归一化后向散射截面特征；

6）基于模型驱动和数据驱动的方法对反射强度和后向散射截面进行辐射校正，校正后的辐射特征，用来辅助进行地物的分类和认知或用于研究地表的辐射过程。

所述的步骤（三）对波形分解结果进行精度评价：

利用NASA ICESat/GLAS GLA01大光斑波形数据，根据步骤（一）和步骤（二）的方法进行波形分解，并将分解后的结果与NASA ICESat/GLAS GLA14数据产品进行对比，定量评价星载大光斑波形数据解析结果的精度；

针对机载小光斑波形数据，利用973项目“黑河综合遥感联合试验”采集的Riegl LMS-Q560数据，验证算法对该尺度下数据解析结果的精度，并将结果与运用FullAnalyze开源软件和RIEGL RiANALYZE商业软件解析的结果进行定量对比分析，以评价解析精度；

在微小光斑尺度上，利用具有记录全波形功能的Riegl VZ-400i地基式三维激光扫描仪获取的部分微小光斑波形数据进行波形分解，并将结果与上述两个软件解析的结果做同样的对比分析，以验证本发明算法对微小光斑波形的解析精度；

通过绘制特征专题图并融合点云特征运用Random Forest监督分类器进行分类，在点云分割和建模时间接评价波形解析的精度和点云附属特征的有效性。

本发明综合先验知识和核密度函数库，设计融合数据约束和正则约束的全波形分解和拟合最优化求解算法，以处理不同平台（分辨率）、不同载荷的全波形激光雷达数据，生成加密点云及相应的反映地物几何和辐射特征的附加属性，为构建针对特定扫描场景下多尺度波形数据处理的解析模型，在确保波形解析精度的前提下，有针对性地选择相关性较大的核密度函数和先验知识，进行自由组合，在线动态更新波形解析模型，提升模型兼容平台的灵活性和对扫描场景的自适用性，降低目标函数的匹配维度和求解复杂度，为将来在激光雷达全波形扫描硬件中嵌入实时在线的全波形最优化解析方法进行了有益的尝试。

Claims (4)

1.一种多尺度全波形激光雷达数据最优化分解方法，其特征是该方法包括以下步骤：

（一）通过对全波形信号的增强处理，提高信号的信噪比，提升后向散射波形的数据质量；

（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合；

（三）对波形分解结果进行精度评价。

2.根据权利要求1所述的一种多尺度全波形激光雷达数据最优化分解方法，其特征是所述步骤（一）中的全波形信号具体包括星载全波形激光雷达数据、机载全波形激光雷达数据、车载全波形激光雷达数据、地基式全波形激光雷达数据中的任意一种或几种。

3.根据权利要求1所述的一种多尺度全波形激光雷达数据最优化分解方法，其特征是所述步骤（一）中的全波形信号的增强处理，具体方法如下：

1）采用脉冲累积（Pulse Accumulation, PA）技术抑制噪声，去除后向散射波形的背景噪声、传感器暗电流噪声、热噪声、椒盐噪声和波形数字化噪声；

2）通过小波变换（Wavelet Transform, WT）优化去噪结果；

3）借助Savitzky-Golay滤波方法进一步去除波形的局部噪声、毛刺和随机抖动，平滑去噪后的波形；

4）运用回波放大、内插和平移相邻叠加回波等技术综合处理微弱回波信号和叠加信号。

4.根据权利要求1所述的一种多尺度全波形激光雷达数据最优化分解方法，其特征是所述步骤（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合，具体包括以下步骤：

1）构建核密度基元函数库，基元库中包含General Gauss，Lognormal，Weibull，Nakagami，Burr，Triangular和Quadrilateral七类核密度函数；

2）设计抽象目标函数公式（1）拟合复杂波形：

（1）

其中，x _i 表示后向散射波形中第i 时刻的采样点，对应回波强度值为y _i ，N 为后向散射波形的采样次数，n 为后向散射波形中潜在的散射体数目，P _j (x _i ,θ _j )为拟合第j 个回波采用的核密度函数，ε 为后向散射波形的噪声，n 个P _j (x _i ,θ _j )均来自于核密度基元函数库；

3）提炼先验知识，并将先验知识融入到目标函数的求解过程中，设计先验知识波形解析模型，抽象表达如公式（2）所示:

（2）

其中，为后向散射波形的回波数目约束、为回波反射强度约束、为相邻回波距离约束、为相邻回波的区域相似性和一致性约束；

所述的后向散射波形的回波数目约束表达式，如公式（3）所示:

（3）

随着后向散射波形中回波数目的增加，逐渐减小，将会变大，将会有效惩罚后向散射波形中过多的拟合回波，达到防止数据过度拟合的目的；

所述的回波反射强度约束，如公式（4）所示:

（4）

其中，，和分别为实验区回波振幅和回波宽度的最大值，在拟合后向散射回波时，如果核密度函数的振幅大于，需对其进行惩罚；

所述的相邻回波距离约束，如公式（5）所示:

（5）

其中，为后向散射波形中第j 个回波的位置，，为发射脉冲的宽度，当两个相邻散射体的距离小于d 时，将惩罚该现象；

所述的相邻回波的区域相似性和一致性约束，如公式（6）所示:

（6）

其中，为两束邻近区域波形参数,当较大时，即局部连续两束激光脉冲的后向散射波形残差较大，这两束回波的一致性较小，此时需要惩罚该情形；

4）将“基于核密度基元函数的波形解析模型”和“基于先验知识约束的波形解析模型”进行结合，得到统一的抽象目标函数公式（7）:

（7）

其中，为数据约束项，为先验知识正则约束项，θ 为构成核密度函数的参数向量,数据约束的目的使得目标函数经优化组合后尽可能地忠于观测数据,先验知识正则约束，即由先验知识对模型实施约束，避免目标优化函数的过度拟合，从而提高解析结果的精度；

5）通过耦合RJMCMC算法与模拟退火算法，搜索非凸目标函数公式（7）的全局最优解,解析后向散射波形中潜在的多个回波（散射体）的三维坐标、波形宽度、振幅、偏度、峰度、半波宽、后向散射因子、后向散射截面和归一化后向散射截面特征；

6）基于模型驱动和数据驱动的方法对反射强度和后向散射截面进行辐射校正，校正后的辐射特征，用来辅助进行地物的分类和认知或用于研究地表的辐射过程。