CN106154247B - 一种多尺度全波形激光雷达数据最优化分解方法 - Google Patents
一种多尺度全波形激光雷达数据最优化分解方法 Download PDFInfo
- Publication number
- CN106154247B CN106154247B CN201610467706.8A CN201610467706A CN106154247B CN 106154247 B CN106154247 B CN 106154247B CN 201610467706 A CN201610467706 A CN 201610467706A CN 106154247 B CN106154247 B CN 106154247B
- Authority
- CN
- China
- Prior art keywords
- waveform
- data
- echo
- full
- backscattering
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000002592 echocardiography Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 101100515835 Clostridium perfringens (strain 13 / Type A) nanE gene Proteins 0.000 description 1
- 241001144268 Echidna Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
- G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
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
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RieglLMS-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 (3)
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，具体包括以下步骤：
1)构建核密度基元函数库，核密度基元函数库中包含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：
其中，xi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yi，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，Pj(xi，θj)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Pj(xi，θj)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：
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：
随着后向散射波形中回波数目Number(θ)的增加，p(θ)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：
其中，Amax和σmax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Eref，需对其进行惩罚；
所述的相邻回波距离约束如公式(5)所示：
其中，μj(θ)为后向散射波形中第j个回波的位置，lp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：
其中，θ～θ'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)：
E(θ)＝EData(θ)+ERegularity(θ) (7)
其中，EData(θ)为数据约束项，ERegularity(θ)为先验知识正则约束项，θ为构成核密度函数的参数向量，数据约束的目的是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，则可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，搜索抽象目标函数公式(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；
(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技术综合处理微弱回波信号和叠加信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610467706.8A CN106154247B (zh) | 2016-06-24 | 2016-06-24 | 一种多尺度全波形激光雷达数据最优化分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610467706.8A CN106154247B (zh) | 2016-06-24 | 2016-06-24 | 一种多尺度全波形激光雷达数据最优化分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106154247A CN106154247A (zh) | 2016-11-23 |
| CN106154247B true CN106154247B (zh) | 2018-07-10 |
Family
ID=57349222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610467706.8A Expired - Fee Related CN106154247B (zh) | 2016-06-24 | 2016-06-24 | 一种多尺度全波形激光雷达数据最优化分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106154247B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832503A (zh) * | 2017-10-23 | 2018-03-23 | 中国舰船研究设计中心 | 基于fsv技术对舰船目标散射仿真与试验结果的评估方法 |
| CN110208768A (zh) * | 2019-06-27 | 2019-09-06 | 哈尔滨工业大学 | 超并行自主产生式的相控阵雷达实时多目标回波模拟方法 |
| CN110346808B (zh) * | 2019-07-15 | 2023-01-31 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
| CN110363178B (zh) * | 2019-07-23 | 2021-10-15 | 上海黑塞智能科技有限公司 | 基于局部和全局深度特征嵌入的机载激光点云分类方法 |
| CN110927735B (zh) * | 2019-11-21 | 2021-07-20 | 中国科学院武汉物理与数学研究所 | 基于多通道全波形激光雷达数据的多目标距离测量方法 |
| CN111340723B (zh) * | 2020-02-23 | 2022-04-15 | 武汉大学 | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 |
| CN111931728B (zh) * | 2020-09-23 | 2021-01-12 | 杭州百世伽信息科技有限公司 | 自动提取湿罗音特征的方法 |
| CN112686337B (zh) * | 2021-02-08 | 2021-06-08 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN112698340B (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种基于单脉冲激光回波分解的空间目标尺度反演方法 |
| CN113589191B (zh) * | 2021-07-07 | 2024-03-01 | 郴州雅晶源电子有限公司 | 一种电源故障诊断系统及方法 |
| CN113640656B (zh) * | 2021-07-30 | 2024-04-09 | 深圳速跃芯仪科技有限公司 | 基于延时的数字测试码型生成方法 |
| CN114881215B (zh) * | 2022-05-18 | 2024-08-23 | 福建鼎旸信息科技股份有限公司 | 一种毫米波雷达数据筛选性神经网络处理方法 |
| CN117665744B (zh) * | 2023-09-25 | 2024-06-28 | 中国人民解放军国防科技大学 | 对高重叠高光谱激光雷达回波波形进行处理的方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196562A (zh) * | 2007-12-14 | 2008-06-11 | 武汉大学 | 一种基于改进的em算法的激光雷达波形数据分解的方法 |
| CN101833087A (zh) * | 2010-05-13 | 2010-09-15 | 王成 | 基于小波分析的星载激光雷达波形数据分解方法 |
| 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 |
| CN103777191A (zh) * | 2014-01-28 | 2014-05-07 | 李奇 | 基于小波平移不变阈值去噪的激光雷达波形数据处理方法 |
| CN104280725A (zh) * | 2013-09-25 | 2015-01-14 | 中国科学院光电研究院 | 全波形激光雷达数据波形分解方法 |
| CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
| CN105093207A (zh) * | 2015-07-10 | 2015-11-25 | 南京大学 | 基于优化lm算法的激光雷达波形分解的方法 |
| CN105676205A (zh) * | 2016-01-27 | 2016-06-15 | 武汉大学 | 一种机载LiDAR波形数据高斯分解方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9971019B2 (en) * | 2013-07-22 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | System and method for through-the-wall-radar-imaging using total-variation denoising |
-
2016
- 2016-06-24 CN CN201610467706.8A patent/CN106154247B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196562A (zh) * | 2007-12-14 | 2008-06-11 | 武汉大学 | 一种基于改进的em算法的激光雷达波形数据分解的方法 |
| CN101833087A (zh) * | 2010-05-13 | 2010-09-15 | 王成 | 基于小波分析的星载激光雷达波形数据分解方法 |
| 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 |
| CN104280725A (zh) * | 2013-09-25 | 2015-01-14 | 中国科学院光电研究院 | 全波形激光雷达数据波形分解方法 |
| CN103777191A (zh) * | 2014-01-28 | 2014-05-07 | 李奇 | 基于小波平移不变阈值去噪的激光雷达波形数据处理方法 |
| CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
| CN105093207A (zh) * | 2015-07-10 | 2015-11-25 | 南京大学 | 基于优化lm算法的激光雷达波形分解的方法 |
| CN105676205A (zh) * | 2016-01-27 | 2016-06-15 | 武汉大学 | 一种机载LiDAR波形数据高斯分解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于核模糊聚类的遥感影像分类;史云松等;《南京林业大学学报( 自然科学版)》;20101130;第34卷(第6期);164-166 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106154247A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106154247B (zh) | 一种多尺度全波形激光雷达数据最优化分解方法 | |
| CN104049245B (zh) | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 | |
| Van Leeuwen et al. | Retrieval of forest structural parameters using LiDAR remote sensing | |
| CN106599808A (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
| CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
| CN104820830B (zh) | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 | |
| CN110794424B (zh) | 基于特征选择的全波形机载激光雷达地物分类方法及系统 | |
| CN111665517B (zh) | 一种基于密度统计的单光子激光测高数据去噪方法及装置 | |
| CN112859011B (zh) | 一种单波长机载测深雷达波形信号提取方法 | |
| CN104155638A (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
| Xie et al. | A comparison and review of surface detection methods using MBL, MABEL, and ICESat-2 photon-counting laser altimetry data | |
| CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
| CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
| Nie et al. | Assessing the impacts of various factors on treetop detection using LiDAR-derived canopy height models | |
| Liu et al. | A robust deconvolution method of airborne LiDAR waveforms for dense point clouds generation in forest | |
| He et al. | ICESat-2 data classification and estimation of terrain height and canopy height | |
| CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
| Wang et al. | Point cloud classification and accuracy analysis based on feature fusion | |
| Li et al. | A novel full-waveform LiDAR echo decomposition method and simulation verification | |
| Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method | |
| Ji et al. | Waveform classification and index sharing based-effective intensity data extraction of airborne laser bathymetry | |
| Li et al. | Road sub-surface defect detection based on gprMax forward simulation-sample generation and Swin Transformer-YOLOX | |
| Wei et al. | Comparison of single and multi-scale method for leaf and wood points classification from terrestrial laser scanning data | |
| Shi | A Recognition Algorithm for Public Security Images | |
| Xu et al. | Characteristics of full-waveform lidar data from typical objects and its potential in point cloud classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161123 Assignee: Nanjing Yihaopu Software Technology Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: 2018320000334 Denomination of invention: Multi-scale full-waveform laser radar data optimal decomposition method Granted publication date: 20180710 License type: Common License Record date: 20181119 |
|
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161123 Assignee: JIANGSU QUAN QUAN INFORMATION TECHNOLOGY CO.,LTD. Assignor: Nanjing Forestry University Contract record no.: 2018320000354 Denomination of invention: Multi-scale full-waveform laser radar data optimal decomposition method Granted publication date: 20180710 License type: Common License Record date: 20181127 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161123 Assignee: NANJING CANYON INFORMATION TECHNOLOGY CO.,LTD. Assignor: Nanjing Forestry University Contract record no.: X2019320000016 Denomination of invention: Multi-scale full-waveform laser radar data optimal decomposition method Granted publication date: 20180710 License type: Common License Record date: 20190809 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180710 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |