CN109709527A - 一种全波形激光测高回波信号中高斯分解的高斯波峰法 - Google Patents
一种全波形激光测高回波信号中高斯分解的高斯波峰法 Download PDFInfo
- Publication number
- CN109709527A CN109709527A CN201910046636.2A CN201910046636A CN109709527A CN 109709527 A CN109709527 A CN 109709527A CN 201910046636 A CN201910046636 A CN 201910046636A CN 109709527 A CN109709527 A CN 109709527A
- Authority
- CN
- China
- Prior art keywords
- wave
- wave crest
- crest
- gauss
- glas
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于雷达信息处理技术领域,公开了一种全波形激光测高回波信号中高斯分解的高斯波峰方法,寻找GLAS全波形数据所有波峰的幅值,按照波峰幅值的最大值和最小值的距离等分成多个区间;统计出所有波峰幅值落入各区间的频数,并计算频率;构建GLAS全波形数据的波峰频率直方图,再进行易于处理的GLAS全波形数据进行处理和难于处理的GLAS全波形数据进行处在数据处理。本发明将高斯波峰法用于GLAS全波形数据的分解和拟合,结果表明高斯波峰法可以很好地分解和拟合优化GLAS全波形数据,并能得到较高的拟合精度和较少的拟合迭代次数。
Description
技术领域
本发明属于雷达信息处理技术领域,尤其涉及一种全波形激光测高回波信号中高斯分解的高斯波峰法。
背景技术
目前,业内常用的现有技术是这样的:
搭载在ICESat(Ice,Cloud,and Land Elevation Satellite)卫星上的全波形激光雷达GLAS(Geoscience Laser Altimeter System)能够测量地物的高度和垂直结构,为全球地表三维信息的获取提供了重要的技术手段。
相对传统的离散激光雷达,全波形激光雷达具有以下优势:全波形激光雷达可以提供更加详细的数据信息;对接收的波形进行数据处理、建模,可以揭示地物的几何和物理信息,得到更多地物特征。全波形数据处理对激光测高的参数设计、数据产品的有效性和准确性以及波形特征提取显得尤为重要。对于激光测高,全波形数据处理的重要性显得尤为关键,由于大部分全波形激光雷达发射的脉冲是高斯分布,所以目前全波形数据处理的主要方法是高斯分解,高斯分解主要步骤是估计初始参数并优化。
针对全波形的高斯分解问题,国内外学者进行了大量的研究。Hofton等在大光斑全波形机载LiDAR系统LVIS波形数据的分析提出高斯分解法,通过计算拐点并将两个相邻拐点组成一个高斯分量,将高斯分量按“重要性”和“等级”分类,这样“重要性”和“等级”高的高斯分量即为波形数据中高斯分量的个数。但是,该方法计算过程过于复杂,且易受到噪声影响。Wanger等证明了以高斯函数为核函数分解回波波形的有效性,为波形数据的分解提供了科学的理论依据,但是以高斯函数为核函数去分解某些非平面目标及回波波形非对称的情况会产生较大的误差。马洪超等采用改进的最大期望算法对波形分解中的参数进行了估计和优化,该方法虽然提高了拟合精度,但是容易遗漏部分重叠的返回波,分解结果不能充分反映地物沿高程方向的信息。
Lin等基于高斯分解提出了一种严格脉冲监测算法,通过计算波形的二阶导数和明显峰值点两侧的样本数目发现重叠波,迭代拟合过程中在高残差的情况下寻找弱波,从而确定波形分量个数。但是算法过程太过复杂,实用性有限。
覃驭楚等以高斯混合模型为基础,采用逐级递进分解的策略,该方法解决了高斯函数的阶数问题,但是其从低阶到高阶逐级递进,计算效率不高。
赵欣等通过对波形分解成多个高斯波,并拟合得到各分量的参数,进而估计激光足印内起伏地形的不同反射面的海拔高度。
王素元等提出了一种基于分组LM算法的高斯分解方法,该方法在一定程度上有效避免了算法中初值雅克比矩阵引入的非数值问题,该方法比传统的LM算法优化速度慢且容易陷入局部最优解。
综上所述,现有技术存在的问题是:
(1)目前高斯分解方法存在的波形分量个数估计不准确、算法复杂度高、适用性不强、易受噪声影响等问题。
(2)由于GLAS全回波波形数据存在噪声,经过滤波平滑后虽会消除部分噪声的影响,但会影响波形自身的属性特征。
解决上述技术问题的难度和意义:
上述技术问题的难度在于对于不同噪声的波形在分解前是否应按照统一处理,统一处理过后的不同噪声的波形相对于原始波形是否会存在较大的偏差,技术问题的解决关键应对不同噪声的波形按照噪声的大小进行分类处理。
解决上述问题的意义:高斯波峰法相对高斯分解法具有较高的拟合精度、分解的波形分量个数较为准确、迭代次数少以及运行时间短的特点,且保留了高斯参数确定的准确性,有效提高了高斯分解的效率及准确性。
发明内容
针对现有技术存在的问题,本发明提供了一种全波形激光测高回波信号中高斯分解的高斯波峰法。
本发明是这样实现的,一种全波形激光测高回波信号中高斯分解的高斯波峰法,所述全波形激光测高回波信号中高斯分解的高斯波峰法根据GLAS全波形数据的波峰对波形进行分类,具体包括:
步骤一,寻找GLAS全波形数据所有波峰的幅值,GLAS全波形中波峰幅值点是指该点位置的数值大于其相邻左右波形点的幅值;
步骤二,按照波峰幅值的最大值和最小值的距离等分成多个区间;
步骤三,统计出所有波峰幅值落入各区间的频数,并计算频率;
步骤四,构建GLAS全波形数据的波峰频率直方图。
进一步,步骤二中,按照波峰幅值的最大值和最小值的距离等分成10个区间。
进一步,步骤四,构建GLAS全波形数据的波峰频率直方图后,对易于处理的GLAS全波形数据进行处理,具体包括:
(1)寻找所有波峰(回波波形中峰值点是指该点位置的数值大于其相邻左右波形点,按照波形从左到右依次寻找);
(2)剔除无用、干扰波峰信息:将波峰里面小于零的值排除掉,再对剩下波峰进行标准化处理,公式如下:
式中,N是波峰的个数,Ai是各个波峰值,Am是最大的波峰值;AN的值小于0.1的剔除掉;在波峰处理流程中,小波峰依附在邻近的大波峰上,利用下公式排除干扰波峰:
式中,N是波峰的个数,LN是波峰与左边波谷的距离和波峰与右边波谷的距离的比值,LiMIN是波峰与两边波谷距离最小值,LiMAX是波峰与两边波谷距离最大值,LN的值小于0.2的剔除掉;
(3)计算波峰面积排除无效波峰信息并确定分量参数:
计算波峰与邻近波谷点构成的面积积分,如果一个波峰面积小于此时所有波峰面积的5%,排除。
进一步,步骤四,构建GLAS全波形数据的波峰频率直方图后,还需进行:
1)找到所有波峰信息并剔除无用以及排除无效波峰信息;
2)优化波形数据:采取波峰合并的方法优化波形数据。
进一步,步骤1),具体包括:
寻找所有波峰;
剔除无用、干扰波峰信息:将波峰里面小于零的值排除掉,再对剩下波峰进行标准化处理,公式如下:
式中,N是波峰的个数,Ai是各个波峰值,Am是最大的波峰值;AN的值小于0.1的剔除掉;在波峰处理流程中,小波峰依附在邻近的大波峰上,利用下公式排除干扰波峰:
式中,N是波峰的个数,LN是波峰与左边波谷的距离和波峰与右边波谷的距离的比值,LiMIN是波峰与两边波谷距离最小值,LiMAX是波峰与两边波谷距离最大值,LN的值小于0.2的剔除掉;
计算波峰面积排除无效波峰信息并确定分量参数:
计算波峰与邻近波谷点构成的面积积分,如果一个波峰面积小于此时所有波峰面积的5%,排除。
进一步,步骤2)具体包括:
对波峰面积大小排序,从最小面积的波峰位置开始,计算波峰位置与邻近波峰之间的位置之间的间隔是否大于6ns,大于6ns跳过;小于6ns,进行波峰之间的合并优化;
合并的两个波峰点连接,两个波峰之间的数据重新按等差数列取值,重新生成的新波峰再继续计算邻近左右两边波峰之间的位置之间的间隔是否大于6ns,直至所有波峰之间间隔大于6ns;
如果此时波峰数大于6个,则计算波峰与邻近波谷点构成的面积积分,取波峰面积前6个。
本发明的另一目的在于提供一种实施所述的全波形激光测高回波信号中高斯分解的高斯波峰法激光雷达测量设备。
综上所述,本发明的优点及积极效果为:
本发明提出基于高斯分解理论基础的高斯波峰法,由于GLAS全回波波形数据存在噪声,经过滤波平滑后虽会消除部分噪声的影响,但会影响波形自身的属性特征。为了不造成波形的数值损失,本发明在数据处理过程中不采用滤波平滑处理。高斯波峰法利用GLAS全波形数据的波峰信息,确定波形分量个数和初始参数估计,并利用波峰优化噪声大的波形提高初始分量参数的拟合优化效率。有效地减少了噪声的影响。本发明将高斯波峰法用于GLAS全波形数据的分解和拟合,并与传统高斯分解以及GLAS官方提供的分解的结果进行比较。结果表明高斯波峰法可以很好地分解和拟合优化GLAS全波形数据,并能得到较高的拟合精度和较少的拟合迭代次数。
本发明高斯波峰法在拟合精度以及波形分量参数信息准确性高。本发明高斯波峰法不管是在拟合精度以及迭代的次数和时间上均优于目前高斯分解方法,证明了本发明高斯波峰法有效性和高效性。
对于部分难处理的波形数据,高斯波峰法相对高斯分解法不仅在拟合精度上高且波形分量参数更符合波形数据的要求,证明了本发明高斯波峰法在波形数据分解上具有较广的适应性。
在分解波形数据得到的波形分量个数和位置上,高斯波峰法相对目前高斯分解法具有较高的准确性,能够很好地甄别检测出有效的波形分量。
附图说明
图1是本发明实施例提供的全波形激光测高回波信号中高斯分解的高斯波峰法流程图,
图2是本发明实施例提供的GLAS原始全波形数据的波形示意图。
图3是本发明实施例提供的易于处理的波形图和波峰频率直方图。
图中:(A)回波波形图;(B)波峰频率直方图;
图4是本发明实施例提供的难于处理的波形图和波峰频率直方图。
图中:(A)回波波形图;(B)波峰频率直方图。
图5是本发明实施例提供的波形波峰示意图。
图中:(A)回波波形以及波峰图;(B)波峰频率直方图。
图6是本发明实施例提供的剔除无用波峰后的波形波峰示意图。
图7是本发明实施例提供的排除无效波峰后的波形波峰示意图。
图8是本发明实施例提供的波形以及前期处理后的波峰示意图。
图中:(A)波形及处理后的波峰图;(B)初始波峰频率直方图。
图9是本发明实施例提供的波形分量在三种情况下的分析与比较示意图。
图10是本发明实施例提供的两个波形分量在三种情况下的分析与比较图。
图11是本发明实施例提供的三个波形分量在三种情况下的分析与比较图。
图12是本发明实施例提供的四个波形分量在三种情况下的分析与比较图。
图13是本发明实施例提供的五个波形分量在三种情况下的分析与比较图。
图14是本发明实施例提供的六个波形分量在三种情况下的分析与比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前高斯分解方法存在的波形分量个数估计不准确、算法复杂度高、适用性不强、易受噪声影响等问题。
针对上述问题,下面结合高斯波峰法对本发明作详细描述。
如图1,所示,本发明实施例提供的全波形激光测高回波信号中高斯分解的高斯波峰法,根据GLAS全波形数据的波峰对波形进行分类,分类步骤如下:
S101:寻找GLAS全波形数据所有波峰的幅值,GLAS全波形中波峰幅值点是指该点位置的数值大于其相邻左右波形点的幅值。
S102:按照波峰幅值的最大值和最小值的距离等分成10个区间;
S103:统计出所有波峰幅值落入各区间的频数,并计算频率;
S104:构建GLAS全波形数据的波峰频率直方图。
其中,图2为GLAS原始全波形数据的波形示意图。
在本发明实施例中,GLAS全波形数据包括易于处理的GLAS全波形数据:
根据GLAS全波形数据的波峰频率直方图,经统计计算易于处理的GLAS全波形数据除众数的区间以外的波峰分布区间的频率不超过5%,且其波峰频率直方图会呈现“底部近似一条直线且波峰分布范围较少L”形状,但这类形状是相对的,随着波形分量增加底部波峰范围分布相应变多。易于处理的GLAS全波形数据回波波形及其波峰频率直方图见图3(A)回波波形图;图3(B)波峰频率直方图。
在本发明实施例中,GLAS全波形数据还包括难于处理的GLAS全波形数据:
据GLAS全波形数据的波峰频率直方图,经统计计算难于处理的GLAS全波形数据除众数的区间以外的波峰分布区间的频率超过5%,且其波峰频率直方图会呈现“底部不均匀分布且波峰分布较广L”形状,这类形状是绝对的,噪声越大,波峰范围分布越广。难于处理的GLAS全波形数据回波波形及其波峰频率直方图见图4(A)回波波形图;图4(B)波峰频率直方图。
作为本发明的优选实施例,易于处理的GLAS全波形数据高斯波峰法处理步骤如下:
(1)寻找所有波峰:
回波波形中峰值点是指该点位置的数值大于其相邻左右波形点,图5
(A)所示,黑色实线表示回波波形数据,红色的‘*’表示波形的所有波峰,图5(B)为波形的波峰频率直方图。
(2)剔除无用、干扰波峰信息:将波峰里面小于零的值排除掉,再对剩下波峰进行标准化处理,公式如下:
式中,N是波峰的个数,Ai是各个波峰值,Am是最大的波峰值。AN的值小于0.1的剔除掉,因为波峰值太小,可以完全忽略。在波峰处理流程中,会有小波峰“依附”在邻近的大波峰上,这类小波峰特征是波峰与左边波谷的距离和波峰与右边波谷的距离相比较大,属于干扰波峰信息,利用公式(3)可以进行排除:
式中,N是波峰的个数,LN是波峰与左边波谷的距离和波峰与右边波谷的距离的比值,LiMIN是波峰与两边波谷距离最小值,LiMAX是波峰与两边波谷距离最大值,LN的值小于0.2的剔除掉。剔除无用、干扰波峰信息后的波峰示意图如图6所示,黑色实线表示回波波形数据,‘*’表示此时波形的波峰。
(3)计算波峰面积排除无效波峰信息并确定分量参数:
计算波峰与邻近波谷点构成的面积积分,如果一个波峰面积小于此时所有波峰面积的5%,则将其排除。如图7所示,黑色实线表示回波波形数据,红色的‘*’表示此时波形的波峰。经过上述处理,波峰一般小于等于6个,波形分量的振幅和高斯位置确定,分量标准差选择波峰与邻近波谷之间的最小值。
在本发明的实施例中,难于处理的GLAS全波形数据有两大难点;
噪声形成的无效波峰影响初始参数估计;因波形自身复杂性,在初始参数拟合优化计算过程中,迭代次数会增多,且不易于计算的收敛。
对待难于处理的GLAS全波形数据分解的主要思想是优化波形数据使其在对初始参数拟合优化过程中易于计算且不破坏原GLAS全波形数据的特征属性,步骤如下:
(1)找到所有波峰信息并剔除无用以及排除无效波峰信息:
此步骤跟“易于处理”GLAS全波形数据分解步骤(1)(2)(3)相同,处理结果如图8(A),黑色实线表示回波波形数据,‘*’表示此时波形的波峰,图8(B)表示波形的初始波峰频率直方图。
从图8(A)可以看出,大波峰旁有许多干扰小波峰,此时未采用波峰面积来排除干扰波峰,是因为此时波峰数量明显多余六个且各波峰大小面积差距不大,无法利用波峰面积小于总波峰面积5%排除干扰波峰。
(2)优化波形数据:为了消除噪声的影响同时方便在拟合优化进行迭代计算,本发明采取了波峰合并的方法优化波形数据,步骤如下:
对波峰面积大小排序,从最小面积的波峰位置开始,计算波峰位置与邻近波峰之间的位置之间的间隔是否大于6ns,大于6ns跳过;小于6ns,进行波峰之间的合并优化;
合并的两个波峰点连接,两个波峰之间的数据重新按等差数列取值,重新生成的新波峰再继续计算邻近左右两边波峰之间的位置之间的间隔是否大于6ns,直至所有波峰之间间隔大于6ns;
如果此时波峰数大于6个,则计算波峰与邻近波谷点构成的面积积分,取波峰面积前6个即可。
波峰合并及优化波形数据结果如图8。黑色实线表示回波波形数据,蓝色实线表示优化后的波形数据,‘*’表示此时波形的波峰。经过上述处理,波形分量的振幅和高斯位置确定,分量标准差选择波峰与邻近波谷之间的最小值。
在本发明实施例中,本发明针对高斯分解法在处理GLAS全波形数据中会出现的波形分量个数估计有误、拟合精度不高、算法复杂度大且运算时间长等问题,利用全波形数据的波峰信息,提出了高斯波峰法,将波形数据分为易于处理和难于处理两种类型,并分别针对不同类型的波形数据给出了解决办法,并与高斯分解法进行定性、定量比较分析。
证明部分(具体实施例/实验/仿真/学分析/)
本发明选取6组GLAS全波形数据,由GLAS全波形数据的波形分量个数决定分组。每组有3个易于处理和3个难于处理的GLAS全波形数据。用本文高斯波峰法和传统高斯分解法对这些数据进行分解拟合,并计算它们的拟合精度和迭代次数。同时也计算了GLAS官方提供的波形分量参数的拟合精度。下方柱状图9、10、11、12、13、14分别表示不同波形分量个数在三种情况下的拟合精度以及迭代次数。图里蓝色代表高斯波峰法,橙色代表高斯分解法,灰色代表GLAS官方提供的分解数据拟合的结果。
从图9(A)可以看出高斯波峰法的拟合精度均高于高斯分解以及GLAS官方提供的分解参数,高斯分解法拟合精度均高于GLAS官方提供的分解参数,这表明波形分量个数少的时候,高斯波峰法和高斯分解均能很好地准确分解出波形分量;从图9(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,这表明高斯波峰法估计波形分量初始参数比高斯波峰法准确,减少了迭代的次数。Hard(1)拟合精度相对其他数据小的时候,拟合次数明显上升,这表明数据复杂的情况一定程度下影响了迭代次数。
从图10(A)可以看出高斯波峰法的拟合精度均高于高斯分解以及GLAS官方提供的分解参数,Hard(2)中高斯分解法的拟合精度远小于高斯波峰法,这表明不管GLAS全波形数据的复杂程度,高斯波峰法比高斯分解均能很好地分解出波形分量;从图10(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,这表明高斯波峰法估计波形分量初始参数比高斯波峰法准确,减少了迭代的次数。Hard(2)中虽然高斯波峰法和高斯分解拟合次数差不多,但是它们的拟合精度却相差甚大,这表明波形分量初始参数估计从一定程度上可以影响拟合精度的表现趋势。
从图11(A)可以看出高斯波峰法的拟合精度均高于高斯分解以及GLAS官方提供的分解参数,Easy(1)虽然高斯波峰法和高斯分解法的拟合精度差不多,但是高斯波峰法的迭代次数远小于高斯分解法,这表明高斯波峰法计算出来的波形分量初始参数远远比高斯分解法准确;从图11(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,同时相对一个波形分量和两个波形分量的拟合迭代次数大大增加,这表明波形分量个数在一定程度上影响迭代次数。
从图12(A)可以看出高斯波峰法的拟合精度与GLAS官方提供的分解参数略有优势,均比高斯分解法的拟合精度高,复杂GLAS全波形数据的拟合精度均比前面几个波形分量的小,这表明在一定程度上波形分量个数影响着拟合精度的大小;从图12(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,也可以表明高斯波峰法的初始参数估计较为准确。
从图13(A)可以看出高斯波峰法的拟合精度均高于高斯分解以及GLAS官方提供的分解参数,Hard(2)的高斯分解拟合精度远远小于高斯波峰法,这表明高斯波峰法分解复杂GLAS全波形数据比高斯分解有着很好地优势;从图13(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,可以表明高斯波峰法的初始参数估计较为准确。
从图14(A)可以看出高斯波峰法的拟合精度均高于高斯分解以及GLAS官方提供的分解参数,这表明不管波形分量个数是多少高斯波峰法均比高斯分解法分解波形更为精确;从图14(B)可以看出高斯波峰法的参数拟合迭代次数均少于高斯分解法,可以表明高斯波峰法的初始参数估计较为准确。
由上述图表可以得出:(1)高斯波峰法在拟合精度以及波形分量基本与GLAS官方提供的参数信息绝大多数一致,说明高斯波峰法准确性。(2)高斯波峰法不管是在拟合精度以及迭代的次数和时间上均优于高斯分解方法,证明了高斯波峰法有效性和高效性。(3)对于部分难处理的波形数据,高斯波峰法相对高斯分解法不仅在拟合精度上高且波形分量参数更符合波形数据的要求,证明了高斯波峰法在波形数据分解上具有较广的适应性。(4)在分解波形数据得到的波形分量个数和位置上,高斯波峰法相对高斯分解法具有较高的准确性,能够很好地甄别检测出有效的波形分量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,所述全波形激光测高回波信号中高斯分解的高斯波峰法根据GLAS全波形数据的波峰对波形进行分类,具体包括:
步骤一,寻找GLAS全波形数据所有波峰的幅值,GLAS全波形中波峰幅值点是指该点位置的数值大于其相邻左右波形点的幅值;
步骤二,按照波峰幅值的最大值和最小值的距离等分成多个区间;
步骤三,统计出所有波峰幅值落入各区间的频数,并计算频率;
步骤四,构建GLAS全波形数据的波峰频率直方图,再进行易于处理的GLAS全波形数据进行处理和难于处理的GLAS全波形数据进行处理。
2.如权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,步骤二中,按照波峰幅值的最大值和最小值的距离等分成10个区间。
3.如权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,步骤四,易于处理的GLAS全波形数据进行处理具体包括:
(1)寻找所有波峰;
(2)剔除无用、干扰波峰信息:将波峰里面小于零的值排除掉,再对剩下波峰进行标准化处理,公式如下:
Am=max(Ai)
式中,N是波峰的个数,Ai是各个波峰值,Am是最大的波峰值;AN的值小于0.1的剔除掉;在波峰处理流程中,小波峰依附在邻近的大波峰上,利用下公式排除干扰波峰:
式中,N是波峰的个数,LN是波峰与左边波谷的距离和波峰与右边波谷的距离的比值,LiMIN是波峰与两边波谷距离最小值,LiMAX是波峰与两边波谷距离最大值,LN的值小于0.2的剔除掉;
(3)计算波峰面积排除无效波峰信息并确定分量参数:计算波峰与邻近波谷点构成的面积积分,如果一个波峰面积小于此时所有波峰面积的5%,排除。
4.如权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,步骤四中,难于处理的GLAS全波形数据进行处理包括:
1)找到所有波峰信息并剔除无用以及排除无效波峰信息;
2)优化波形数据:采取波峰合并的方法优化波形数据。
5.如权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,步骤1),具体包括:
寻找所有波峰;
剔除无用、干扰波峰信息:将波峰里面小于零的值排除掉,再对剩下波峰进行标准化处理,公式如下:
Am=max(Ai)
式中,N是波峰的个数,Ai是各个波峰值,Am是最大的波峰值;AN的值小于0.1的剔除掉;在波峰处理流程中,小波峰依附在邻近的大波峰上,利用下公式排除干扰波峰:
式中,N是波峰的个数,LN是波峰与左边波谷的距离和波峰与右边波谷的距离的比值,LiMIN是波峰与两边波谷距离最小值,LiMAX是波峰与两边波谷距离最大值,LN的值小于0.2的剔除掉;
计算波峰面积排除无效波峰信息并确定分量参数:
计算波峰与邻近波谷点构成的面积积分,一个波峰面积小于此时所有波峰面积的5%,排除。
6.如权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法,其特征在于,步骤2)具体包括:
对波峰面积大小排序,从最小面积的波峰位置开始,计算波峰位置与邻近波峰之间的位置之间的间隔是否大于6ns,大于6ns跳过;小于6ns,进行波峰之间的合并优化;
合并的两个波峰点连接,两个波峰之间的数据重新按等差数列取值,重新生成的新波峰再继续计算邻近左右两边波峰之间的位置之间的间隔是否大于6ns,直至所有波峰之间间隔大于6ns;
如果此时波峰数大于6个,计算波峰与邻近波谷点构成的面积积分,取波峰面积前6个。
7.一种实施权利要求1所述的全波形激光测高回波信号中高斯分解的高斯波峰法激光雷达测量设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046636.2A CN109709527B (zh) | 2019-01-14 | 2019-01-14 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046636.2A CN109709527B (zh) | 2019-01-14 | 2019-01-14 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709527A true CN109709527A (zh) | 2019-05-03 |
CN109709527B CN109709527B (zh) | 2023-03-14 |
Family
ID=66261582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910046636.2A Active CN109709527B (zh) | 2019-01-14 | 2019-01-14 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709527B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111077532A (zh) * | 2019-11-22 | 2020-04-28 | 同济大学 | 一种基于反卷积和高斯分解的地物空间信息获取方法 |
CN111220571A (zh) * | 2020-01-20 | 2020-06-02 | 中南大学 | 一种基于幅值离散度的二次谐波信号拟合方法及系统 |
CN111308476A (zh) * | 2019-11-27 | 2020-06-19 | 深圳市镭神智能系统有限公司 | 激光雷达回波处理方法、装置、激光雷达系统及存储介质 |
CN113625235A (zh) * | 2021-06-30 | 2021-11-09 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN116458845A (zh) * | 2023-04-07 | 2023-07-21 | 电子科技大学 | 一种智能可穿戴中医体质评估系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104062642A (zh) * | 2013-11-22 | 2014-09-24 | 董立新 | 一种对激光雷达波形数据进行高斯回波分解的方法 |
CN105894520A (zh) * | 2016-04-25 | 2016-08-24 | 武汉大学 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
-
2019
- 2019-01-14 CN CN201910046636.2A patent/CN109709527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104062642A (zh) * | 2013-11-22 | 2014-09-24 | 董立新 | 一种对激光雷达波形数据进行高斯回波分解的方法 |
CN105894520A (zh) * | 2016-04-25 | 2016-08-24 | 武汉大学 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
Non-Patent Citations (3)
Title |
---|
孟志立等: "机载激光雷达波形数据横向高斯分解方法", 《武汉大学学报信息科学版》 * |
李国元等: "一种改进的卫星激光测高全波形高斯分解方法", 《测绘科学》 * |
黄冬梅等: "GLAS全波形数据的高斯分解与高斯小波基分解对比分析", 《激光与光电子学进展》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111077532A (zh) * | 2019-11-22 | 2020-04-28 | 同济大学 | 一种基于反卷积和高斯分解的地物空间信息获取方法 |
CN111308476A (zh) * | 2019-11-27 | 2020-06-19 | 深圳市镭神智能系统有限公司 | 激光雷达回波处理方法、装置、激光雷达系统及存储介质 |
CN111308476B (zh) * | 2019-11-27 | 2022-05-13 | 深圳市镭神智能系统有限公司 | 激光雷达回波处理方法、装置、激光雷达系统及存储介质 |
CN111220571A (zh) * | 2020-01-20 | 2020-06-02 | 中南大学 | 一种基于幅值离散度的二次谐波信号拟合方法及系统 |
CN111220571B (zh) * | 2020-01-20 | 2020-12-22 | 中南大学 | 一种基于幅值离散度的二次谐波信号拟合方法及系统 |
CN113625235A (zh) * | 2021-06-30 | 2021-11-09 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN113625235B (zh) * | 2021-06-30 | 2024-03-29 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN116458845A (zh) * | 2023-04-07 | 2023-07-21 | 电子科技大学 | 一种智能可穿戴中医体质评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109709527B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709527A (zh) | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 | |
CN111524084B (zh) | 基于多峰高斯拟合的光子计数激光雷达点云去噪方法 | |
CN106599808B (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
CN108681525B (zh) | 一种基于车载激光扫描数据的路面点云强度增强方法 | |
CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN104240251A (zh) | 一种基于密度分析的多尺度点云噪声检测方法 | |
CN110673109B (zh) | 一种星载大光斑激光雷达全波形数据分解方法 | |
CN104573705A (zh) | 一种建筑物激光扫描点云数据的聚类方法 | |
CN103217679A (zh) | 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 | |
CN104062642B (zh) | 一种对激光雷达波形数据进行高斯回波分解的方法 | |
CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN102722640B (zh) | 一种顾及邻近波形信息的机载激光波形数据分解算法 | |
CN109344812A (zh) | 一种改进的基于聚类的单光子点云数据去噪方法 | |
CN112462347B (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
CN105676205A (zh) | 一种机载LiDAR波形数据高斯分解方法 | |
CN105427301A (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN110031854A (zh) | 一种实时的高精度激光多回波距离提取方法 | |
CN103824305A (zh) | 一种改进的Meanshift目标跟踪方法 | |
CN112444778A (zh) | 一种基于dbscan的参考点加权三边质心定位方法 | |
Deng et al. | A novel fast classification filtering algorithm for LiDAR point clouds based on small grid density clustering | |
CN113189562A (zh) | 一种基于高程的地形探测算法 | |
CN109785261B (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |