CN111665517B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111665517B CN111665517B CN202010477987.1A CN202010477987A CN111665517B CN 111665517 B CN111665517 B CN 111665517B CN 202010477987 A CN202010477987 A CN 202010477987A CN 111665517 B CN111665517 B CN 111665517B
- Authority
- CN
- China
- Prior art keywords
- density
- data
- photons
- photon
- denoising
- 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.)
- Active
Links
Images
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
- G01S17/10—Systems determining position data of a target for measuring distance only using transmission of interrupted, pulse-modulated waves
-
- 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
- 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
- G01S7/495—Counter-measures or counter-counter-measures using electronic or electro-optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及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,方法包括以下步骤:1)获取单光子激光测高数据;2)进行数据预处理;3)采用方向、大小随坡度自适应变化的椭圆搜索区域进行光子密度计算;4)通过采用OTSU方法自适应计算分段阈值分离信号光子与噪声光子,并采用K最近邻距离去除离散噪声点。与现有技术相比,本发明不受背景噪声光子不均匀的影响,自适应较强,不仅可以随着斜率自适应地改变搜索椭圆的方向,而且可以改变大小,并且使用分段阈值来分离每个段的信号光子和噪声光子,进一步去除粗去噪后残留的少量离散噪声点,本发明方案信号提取较完整,去噪精度高、效率高。
Description
技术领域
本发明涉及激光测高数据处理领域,尤其是涉及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。
背景技术
星载激光测高技术具有探测方向性好、空间分辨率高、测距精度高等特点,在深空探测、对地观测领域具有巨大潜力。已有的大多数对地观测激光高度计均采用线性探测体制能耗较高,不适宜于卫星等航天平台进行大范围和多时相的三维数据采集。量子信息技术得到了飞速发展,光子探测是其中的关键的技术,光子探测技术与激光测高技术的融合,使得激光测高技术发展到新高度,光子探测降低了激光雷达对耗能和口径的要求,能够有效的降低卫星荷载的重量,同时基于光子计数的探测模式的低耗也使得激光雷达多波束探测更加容易实现。因此,光子计数激光雷达技术被认为是未来开展卫星激光测高和三维成像的主要技术实现手段和解决激光雷达能耗和采集频率矛盾的主要方式。除了已经发射的ICESat-2卫星,激光雷达地表形貌(the LiDAR Surface Topography,LIST)将采用1000波束的推扫式微脉冲激光器与光子敏感的线性模式探测阵列,预计于2025年发射,光子计数激光雷达技术是未来开展卫星激光测高和三维成像的主要技术实现手段。
光子计数激光雷达(Photon counting LiDAR,PCL)发射和接收的都是弱信号,受太阳背景噪声影响大,获取的点云数据信噪比极低,无法通过阈值比较来进行信号甄别,需要将信号从大量的噪声数据中提取出来。在光子计数和多光束模式下,激光足迹的采样密度大大提高,但是单光子激光测高数据仍然存在垂直轨道方向数据密度远低于沿轨方向的问题,同时数据中包含大量噪声光子,现有的PCL点云去噪算法基本上是根据光子的分布特征研究,主要由预处理,信号提取和后续处理三部分组成。其中,信号提取有3种方法:聚类,特征计算与分离,波形统计与处理。
现有的基于密度的方法还不够全面。首先,由于沿轨道的表面反射率的差异,光子计数激光测高数据在沿轨道的背景光子密度方面存在差异,这种现象对基于密度的方法有一定的影响。其次,已有方法适应性较差,只针对坡度改变搜索椭圆的方向,没有考虑斜坡上分布变稀疏的特点,自适应变化搜索椭圆的大小。在计算密度之后,大多数方法都使用全局阈值,对于不同地形和植被覆盖的区域,全局阈值会将低密度信号光子标识为噪声光子,将高密度噪声光子标识为信号光子。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑坡度对光密度计算的影响,提高数据去噪准确性的基于密度统计的单光子激光测高数据去噪方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于密度统计的单光子激光测高数据去噪方法,包括以下步骤:
数据获取步骤:获取单光子激光测高数据;
预处理步骤:对单光子激光测高数据进行数据预处理;
光子密度计算步骤:采用方向、大小随坡度自适应变化的椭圆搜索区域进行光子密度计算,所述方向为椭圆搜索区域的最大密度方向,所述坡度基于所述最大密度方向确定;
数据去噪步骤:通过自适应计算单光子激光测高数据中每个沿轨距离段的OTSU阈值,从而进行数据去噪。
进一步地,所述椭圆搜索区域的大小的变化公式为:
式中,a为激光照射在水平地形上椭圆搜索区域长轴半径大小,a′为激光照射在倾斜地形上随地形变化的椭圆搜索区域长轴半径大小,θ为地形坡度大小,λ为激光视场角大小。
进一步地,所述光密度计算的表达式为:
式中,desityp为点p的光密度,Dp为以p点为中心的椭圆搜索区域,Wp为以点p为中心的椭圆搜索区域内各点的密度高斯权重,u为高斯函数均值,σ为高斯函数方差,a为椭圆搜索区域的长轴半径大小,b为椭圆搜索区域的短轴半径大小,ΔXθ为p点与q点在沿轨水平方向上的距离,Δhθ为点p与点q在垂直高程方向上的距离。
进一步地,所述椭圆搜索区域的方向的确定具体为,每隔预设的第一角度计算一次光密度,直至遍历所有搜索方向,获取第一最大密度方向;在第一最大密度方向上下第一角度范围内,每隔预设的第二角度计算一次光密度,获取第二最大密度方向;以第二最大密度方向更新椭圆搜索区域的方向,所述第二角度小于所述第一角度。
进一步地,光子密度计算步骤还包括,判断椭圆搜索区域两侧对应的光子的密度差是否大于预设的密度阈值,若是,则将该椭圆搜索区域在各个搜索方向中心点的最小密度值,作为该椭圆搜索区域中心点的密度值。
进一步地,预处理步骤中,所述数据预处理包括自适应均匀化背景噪声光子,按比例重新缩放每个时间段的所有点,所述自适应均匀化背景噪声光子的表达式为:
式中,nor_timew为缩放后距离每段起始时刻的时间,timew为缩放前距离每段起始时刻的时间,noiserate为估计噪声率,mean(*)为求均值计算;
所述数据去噪步骤还包括,对每个沿轨距离段进行0.02秒伸缩后,计算OTSU阈值。
进一步地,预处理步骤中,所述数据预处理包括对单光子激光测高数据左右边缘两侧光子进行镜像补充。
进一步地,所述数据去噪步骤还包括采用K最近邻距离法去除离散噪声点,所述K最近邻距离法具体为,计算每个点到其最近的K个点的距离和,对所有点的距离和进行直方图统计,并对直方图统计结果进行高斯拟合,根据预设的距离阈值去除离散噪声点,所述距离阈值设置为均值加t倍方差。
进一步地,所述数据去噪步骤获取有一次信号光子和一次信号光子以外的数据,所述单光子激光测高数据自适应去噪方法还包括:
低密度信号光子提取步骤:对获取的一次信号光子以外的数据,采用竖直的椭圆搜索区域进行光子密度计算,通过自适应计算一次信号光子以外的数据中每个沿轨距离段的OTSU阈值,进行数据去噪,并在去除地面下噪声光子后采用K最近邻距离法进一步去除离散噪声点,获取二次信号,将所述一次信号与所述二次信号叠加,获取去噪后的单光子激光测高数据。
本发明还提供一种基于密度统计的单光子激光测高数据去噪装置,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)本发明通过遍历不同方向的搜索区域计算得到最大密度方向,作为椭圆搜索区域的方向,并获取对应的坡度,根据坡度的大小,自适应变化椭圆搜索区域的长轴大小,从而计算椭圆搜索区域中心点密度,进而通过分段阈值进行数据去噪,该方法根据坡度自适应变化搜索方向和搜索区域大小,使得密度计算的准确性更高,提升了数据去噪效果。
(2)本发明为了减少计算量,通过每隔一定角度搜索最大密度方向的方法,经过两次搜索,确定最大密度方向,即保证了准确性,又提高了本发明方法的去噪效率。
(3)本发明通过判断椭圆搜索区域两侧密度是否相差较大区分近地噪声点,若相差较大则该点为用最小密度代替最大密度,以增大信号点与噪声点的密度差,从而更容易实现去噪。
(4)本发明在密度计算后,采用最大类间方差法(OTSU方法)计算分段阈值,避免了噪声光子密度过大,导致的将噪声光子点误提取为信号光子点的问题,提高了本发明去噪方法的准确性。
(5)本发明在数据去噪步骤进行分段阈值处理后,还采用K最近邻距离法去除离散噪声点,并对统计结果进行高斯拟合,设置距离阈值为均值加t倍方差,根据噪声点的KNN距离和远大于信号的KNN距离和的特性,进一步去除粗去噪后残留的少量离散噪声点。
(6)本发明在数据预处理阶段中,根据时间段内噪声率自适应地均匀化背景噪声光子,进一步避免大密度噪声光子误提取为信号光子的问题。
(7)本发明通过对单光子激光测高数据左右边缘两侧光子进行镜像补充,解决单光子激光测高数据边界区域内的光子密度小于非边界区域内的光子密度的问题,提高的本发明去噪方法的精度。
(8)本发明针对有植被的区域,在第一次分离地面信号后,采用竖直的椭圆搜索区域再次计算密度,并进行二次分离,提取植被光子和低密度地面信号光子,并通过实验得出结论,本发明方法在斜坡区域的低密度区域也能够很好的提取信号光子,低密度植被信号光子被提取较完整,不受背景噪声光子不均匀的影响,没有误将密度的噪声光子识别为信号光子,且在二次提取信号光子的过程中能够提取第一次中未提取的低密度地面信号光子。
附图说明
图1为沿轨方向噪声光子分布不均匀示例图;
图2为边缘效应示意图;
图3为平面上的激光光斑示意图;
图4为斜坡上的激光光斑示意图;
图5为本发明实施例中基于密度统计的单光子激光测高数据去噪方法的流程示意图;
图6为噪声均匀化原理示意图;
图7为方向自适应的椭圆搜索区域示意图;
图8为与坡度方向一致高斯椭圆搜索区域示意图;
图9为改变椭圆大小的原理示意图;
图10为判断椭圆左右两侧的密度是否相差较大原理示意图;
图11为分段阈值计算方式示意图;
图12为KNN去离散点原理示意图;
图13为本发明实施例中陆地-植被数据植被光子点细节示意图;
图14为竖直高斯椭圆搜索区域示意图;
图15为本发明实施例的实验数据一的示意图;
图16为本发明实施例中采用本发明方法对实验数据一的去噪结果示意图,图中深灰度为一次提取的信号光子、中灰度为二次提取的信号光子,离散点为噪声光子;
图17为本发明实施例的实验数据二的示意图;
图18为本发明实施例中采用本发明方法对实验数据二的去噪结果示意图,图中深灰度为一次提取的信号光子、中灰度为二次提取的信号光子,离散点为噪声光子;
图19为本发明实施例中对实验数据一的实验结果放大细节示意图;
图20为本发明实施例中对实验数据二的实验结果放大细节示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
星载激光测高能快速获取大范围、高精度的三维信息,随着光子技术的发展,光子计数激光雷达逐渐成为未来开展卫星激光测高和三维成像的主要技术实现手段。由于高灵敏度的特性,光子计数激光雷达可以探测微弱的信号,但易受到大气散射,太阳辐射和仪器自身的暗计数的影响,大量噪声光子在空中和地下广泛分布,需研究针对光子计数激光雷达获取的激光测高数据的去噪方法。噪声光子随机分布于空间,信号光子呈线性紧密分布,信号光子密度大于噪声光子密度,可根据信号和噪声的分布特性可以作为提取和噪声滤除的依据。
因此,本实施例依据数据特点和去噪的影响因素,提出一种基于密度统计的单光子激光测高数据去噪方法,首先在预处理过程中对背景噪声均匀化处理,再采用随坡度变化方向和大小的椭圆搜索区域计算密度,并采用分段阈值,针对有植被的区域,在第一次分离地面信号后,采用竖直的椭圆搜索区域再次计算密度,并进行二次分离,提取低密度地面信号光子和植被光子。实验结果表明该方法能够提取激光照射在斜坡上返回的低密度信号光子以及植被信号光子。
下面分别从数据特点对去噪的影响因素分析、基于密度统计的单光子激光测高数据去噪方法、实验与结论对本实施例进行详细描述。
1、数据特点对去噪的影响因素分析
1.1、噪声不均匀
地表光谱反射率、大气条件和太阳入射角沿轨迹方向在空间上发生变化,导致点密度不一致,如图1所示两个框中的噪声光子密度具有一定差异,左侧框中的噪声光子明显大于右侧框内的噪声光子密度,甚至与地面返回光子的密度差异不大,这将会导致以密度为特征或者密度聚类的算法将噪声光子点误提取为信号光子点,从而影响信号提取的准确性。
1.2、数据量大
ICESat-2/ATL03的一个HDF5数据文件能达到几GB大,时间跨度可达几百秒,数据量十分庞大,具有几千万个光子点。因此本研究中为了减少计算量,只选取了2s获取的数据进行实验。
1.3、边缘效应
如图2所示,位于边界区域的光子的搜索区域一部分中没有光子,对于信号光子,其密度值计算值会小于其应有的密度大小,导致边界区域内的光子密度远小于非边界区域内的光子密度,从而影响以密度为计算特征的去噪算法的精度。因此,需要对边缘区域的光子点进行处理。
1.4、坡度
在没有坡度的情况下,激光光斑的能量分布如图3所示,图3为激光照射在平面上的示意图,图4为激光照射在斜坡上的示意图。斜坡上,激光能量分布发生变化,光子点分布也将随之发生变化,光子在斜坡上将更加分散,即光子点的密度将变小,如果对斜坡上采取与平面上采用相同的处理方式将会对去噪结果产生一定的影响。
1.5、低密度地物、地面返回
由光电子形式下的面目标激光雷达方程可知,即接收器视场(Field of View,FOV)每次探测到从朗伯体平面目标表面漫反射的信号光电子的平均数量为:
由上式可知,目标表面的返回光子数与表面反射率有关,对于低反射率地物,返回光子少,难以与噪声光子区分。对于稀疏的植被区域,通常返回的植被光子也会存在这种情况,而对于茂密的植被区域,则返回的地面光子也会十分稀少,难以与噪声光子区分。
2、基于密度统计的单光子激光测高数据去噪方法
如图5所示,针对上述分析的影响单光子激光测高数据去噪结果的因素,并结合数据的分布特征提出的基于密度统计的单光子激光测高数据去噪方法,包括以下步骤:
数据获取步骤:获取单光子激光测高数据;
预处理步骤:对单光子激光测高数据进行数据预处理;
光子密度计算步骤:采用方向、大小随坡度自适应变化的椭圆搜索区域进行光子密度计算,所述方向为与椭圆搜索区域的最大密度方向,所述坡度基于所述最大密度方向确定;
数据去噪步骤:通过自适应计算单光子激光测高数据中每个沿轨距离段的OTSU阈值,从而进行数据去噪,获取有一次信号和一次信号光子以外的数据。
针对现有技术没有考虑多个表面反射的信号光子密度之间存在差异,只进行一次提取,难以将信号光子提取完全的缺陷,本实施例基于密度统计的单光子激光测高数据去噪方法还包括低密度信号光子提取步骤,用于提取低密度地面和植被信号光子,根据植被信好光子竖直方向相对紧密分布的特点,采用竖直搜索椭圆计算第一次获取的信号光子以外的光子密度,再通过分段OTSU阈值去除噪声光子和KNN距离去除离散噪声光子。
具体地,低密度信号光子提取步骤包括:获取所述数据去噪步骤的一次信号光子以外的数据,采用竖直的椭圆搜索区域进行光子密度计算,通过自适应计算一次信号光子以外的数据中每个沿轨距离段的OTSU阈值,进行数据去噪,并采用K最近邻距离法进一步去除离散噪声点,获取二次信号,将所述一次信号与所述二次信号叠加,获取去噪后的单光子激光测高数据。
相当于,该方法主要分为数据预处理、光子密度计算、自适应计算、地物信号提取四个部分。其中,数据预处理部分包括噪声光子均匀化处理,数据段选择,镜像补充边缘光子。光子密度计算采用方向、大小随坡度自适应的椭圆搜索区域,并采用高斯权重计算密度。自适应计算则对均匀化后的每个沿轨距离段计算OTSU阈值,根据阈值将信号光子从噪声光子中提取出来,并采用K最近邻的方式去除离散噪声点。地物信号提取则针对具有植被或者地面光子稀疏的数据采用二次计算密度与阈值分离的方式提取低密度地物、地面点,此时,搜索区域改用采用竖直椭圆,具体的方法步骤如下所述。
2.1、数据预处理
背景噪声光子密度差异会极大地影响基于密度的算法的性能,因此,为了使算法适用于全局,首先根据时间段内噪声率自适应地均匀化背景噪声光子,本文通过乘以相应的瞬时噪声率估计值,根据式(2)按比例重新缩放每个时间段的所有点。其原理如图6所示。
其中,nor_timew表示缩放后距离每段起始时刻的时间,timew表示缩放前距离每段起始时刻的时间,noiserate表示估计噪声率。
对于ATL03数据,在gtxx/bckgrd_atlas数据集中提供了bckgrd_counts、bckgrd_counts_reduced、bckgrd_rate,其中,bckgrd_counts是沿轨50次发射(200Hz,ATLAS的发射频率为10kHz,50次发射即每秒钟统计200次)的背景光子事件在高程范围窗口内的总和。bckgrd_counts_reduced为在减去信号光子事件的数量后,50次发射的背景光子事件在高程范围窗口内的总和。bckgrd_rate为去除可能的信号光子数后,50次发射高程直方图的背景计数率。在处理ATL03数据时,用bckgrd_counts_reduced代替noise_rate进行均匀化。
为了去除边缘效应对去噪结果的影响,本实施例通过镜像补充的方式对数据左右边缘两侧的光子进行补充。
2.2、光子密度计算
首先,遍历不同方向的搜索区域计算得到最大密度方向,为了减少计算量,15°计算一次密度,得到密度最大方向后,取最大密度方向上下15°范围,在该范围内每5°计算一次密度,该范围内的最大密度对应的搜索区域方向即最大密度方向。由于光子计数激光雷达点云中水平方向的密度较大,因此本实施例中采用椭圆搜索区域,如图6所示。
以每个点为椭圆中心,椭圆大小根据地形特点和地表反射率确定,根据式(3)判断点q是否在以点p为中心的椭圆内。
其中,a、b表示椭圆的长短轴半径大小,ΔXθ表示p点与q点沿轨水平方向的距离,Δhθ表示点p与点q表示垂直高程方向上的距离。dist(p,q)小于1时,p点与q点的椭圆搜索区域内,否则,在椭圆搜索区域外。式中ΔXθ与Δhθ可通过下列坐标转换公式获得。
光子计数激光雷达数据信号呈线性紧密分布,噪声在空间随机分布,信号点在水平方向的密度大于垂直方向,靠近中心点的点具有较高的权重,并且权重逐渐向搜索窗口的外部递减,跟高斯函数相似,因此采用高斯函数赋予椭圆搜索区域内每个点权重,根据式(5)计算每个点的密度权重,椭圆区域内所有点的权重之和定义为该椭圆中心点密度。
其中,u表示高斯函数均值,设置为0,σ表示高斯函数方差,Wp表示点p椭圆搜索区域内各点的密度高斯权重,Dp表示p点的椭圆搜索区域,desityp表示p点密度。
当采用椭圆高斯时,从中心点到水平方向的点的权重要高于垂直方向的点。如图8上方高斯椭圆所示。
当激光照射在斜坡上,激光能量分布发生变化,光子点分布随之也发生变化,光子点密度随坡度的增大而减小,其原理如图9所示。为了减小坡度区域密度变小对去除噪声点的影响,本研究根据坡度自适应的变化椭圆长轴大小,根据推导,得到坡度为θ区域,椭圆长轴a的大小可以根据下式变化:
其中,θ表示地形坡度大小,λ表示激光视场角大小,a表示激光照射在水平地形上椭圆搜索区域长轴半径大小,a′表示激光照射在倾斜地形上随地形变化的椭圆搜索区域长轴半径大小。
在随地形坡度增大椭圆搜索区域长轴a的大小同时,靠近信号点的噪声点的密度也将随之增大,通常这些点在囊括信号的方向密度最大,如图10所示,图中A点为信号点,B点为噪声点,图中椭圆搜索区域方向为B点密度最大方向,随坡度增大a后,B点的密度也将增大,从而缩小了与信号点的密度差异,提高去噪难度。
针对该问题,光子密度计算步骤还包括,判断椭圆搜索区域两侧对应的光子的密度差是否大于预设的密度阈值,若是,则将该椭圆搜索区域在各个搜索方向中心点的最小密度值,作为该椭圆搜索区域中心点在最大密度方向的密度值。相当于,本实施例中通过判断椭圆搜索区域两侧密度是否相差较大区分近地噪声点,若相差较大则该点为用最小密度代替最大密度,以增大信号点与噪声点的密度差,从而更容易实现去噪。
2.3、自适应密度阈值计算
密度计算后,采用最大类间方差法(OTSU方法)确定阈值。由于背景噪声光子沿轨不均匀,因此,采用分段阈值。经过噪声均匀化处理后,信号也被相应的伸缩,采用固定沿轨段计算分段阈值结果将受影响,因此,对0.02s伸缩后的每段计算OTSU阈值,如图11所示,
经过OTSU阈值分割后,仍存在少量离散噪声点分布于空间,本研究采用K最近邻距离(简称:KNN距离)方法去除粗去噪后残留的少量离散噪声点,噪声点的KNN距离和远大于信号的KNN距离和,如图12所示,根据这一特点,设置一个固定阈值即可实现精去噪。计算每个点到其最近的K个点距离和,对所有点的距离和进行直方图统计,得到的直方图一般呈高斯分布,噪声点的KNN距离和较大,可通过一个固定去除空中残留的离散噪声点,设置为均值与2倍方差之和。
2.4、低密度信号光子提取
对于陆地冰、海洋、陆地-城市、海冰数据,上述步骤已经可以有效的提取信号光子点,但是对于植被区域,如图13所示,图13右侧的植被信号局部细节图中植被信号的光子密度稍大于噪声光子的密度,但是远小于地面信号的光子密度。采用一次OTSU阈值计算后,能够将地面信号与较大密度的植被信号和较小植被信号光子与噪声光子分离,而密度较小的植被信号光子不能从噪声光子中提取,还需要进一步处理,该方法在通过上述步骤后提取一次信号(地面信号与较大密度的植被信号)后,再对除一次信号以外的光子(较小植被信号光子与噪声光子)重新计算密度。
如图13左图区域所示,植被信号光子的分布呈现竖直密集分布,也反映植被光子在竖直方向分布更加紧密。根据该特点,对一次信号以外的光子重新计算密度,此时,仍然采用高斯密度,但是搜索区域如图14所示改为竖直椭圆。
如图13右侧所示,较小植被信号光子的密度与噪声光子的密度虽然相差不大,但仍可通过二值化方法将二者分离,同第一次OTSU阈值确定,该方法中仍采用OTSU确定均匀化后每个沿轨距离段的阈值,大于阈值的光子点为信号点,小于阈值的光子点则为噪声点。可以确定地下的光子是噪声光子,而且第一次提取的信号光子几乎是地面信号光子,因此,将第一次提取的信号光子沿轨道进行高程直方图统计。根据直方图统计,在该段中,具有最大光子数量的区间中心所在高程被视为大致为地面高程,并且去除高程以下0.5m以下的光子。经上述处理后,仍然存在少量的地面上的离散噪声点,该方法仍采用K最近近邻方法去除离散噪声点,最终获得二次信号,叠加一次信号即为最终提取的地面、地物信号光子点。
本实施例还提供一种基于密度统计的单光子激光测高数据去噪装置,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的基于密度统计的单光子激光测高数据去噪方法的步骤。
3、实验结果与讨论
为验证本实施例提出的算法在提取斜坡上返回的信号光子和低密度地物信号光子的有效性,选择了两个实验数据,实验数据一:背景噪声光子分布不均匀、有斜坡、平缓地形,部分区域有茂密不一的植被数据ATL03_20191029171539_05010506_002_01.h5中1r波束的67-69s,如图15所示,图中分别用不同的灰度表示了数据集中signal_conf_ph的标签。signal_conf_ph表示与每个被选作信号的光子事件相关的置信度,0为噪音,1为缓冲区(算法分类为背景)2为低置信度,3为中置信度,4为高置信度。实验数据二:背景噪声光子分布均匀、坡度较小,各部分均有茂密的植被数据ATL03_20190205031800_05910202_001_01.h5中3l波束的460-462s,如图17所示。
本实施例选用的实验数据一、二采用本文方法的实验结果分别如图16、图18所示。
由图16和图18两个实验结果分析,本文方法在两次提取信号光子后,总体上,能够提取地面光子和植被信号光子,如图19、图20所示。将结果与ATL03中具有信号标签的光子对比,本实施例的结果明显好于ATL03标签结果,本实施例方法在斜坡区域的低密度区域也能够很好的提取信号光子,低密度植被信号光子被提取较完整,不受背景噪声光子不均匀的影响,没有误将密度的噪声光子识别为信号光子,且在二次提取信号光子的过程中能够提取第一次中未提取的低密度地面信号光子。
4、结论
本实施例基于单光子激光测高数据特点和去噪结果的影响因素提出一种基于密度统计的单光子激光测高数据多次自适应去噪方法。首先在预处理过程中对背景噪声均匀化处理,再采用随坡度变化方向和大小的椭圆搜索区域计算密度,并采用分段阈值,针对有植被的区域,在第一次分离地面信号后,采用竖直的椭圆搜索区域再次计算密度,并进行二次分离,提取植被光子和低密度地面信号光子。选取连个植被覆盖区域获取的实验数据进行实验,通过与ATL03中的光子标签结果对比,以及实验结果本身定性分析,表明该方法不受背景噪声不均匀的影响,能够提取激光照射在斜坡上返回的低密度信号光子以及植被信号光子。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,包括以下步骤:
数据获取步骤:获取单光子激光测高数据;
预处理步骤:对单光子激光测高数据进行数据预处理;
光子密度计算步骤:采用方向、大小随坡度自适应变化的椭圆搜索区域进行光子密度计算,所述方向为椭圆搜索区域的最大密度方向,所述坡度基于所述最大密度方向确定;
数据去噪步骤:通过自适应计算单光子激光测高数据中每个沿轨距离段的OTSU阈值,从而进行数据去噪;
所述椭圆搜索区域的大小的变化公式为:
式中,a为激光照射在水平地形上椭圆搜索区域长轴半径大小,a′为激光照射在倾斜地形上随地形变化的椭圆搜索区域长轴半径大小,θ为地形坡度大小,λ为激光视场角大小。
3.根据权利要求1所述的一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,所述椭圆搜索区域的方向的确定具体为,每隔预设的第一角度计算一次光密度,直至遍历所有搜索方向,获取第一最大密度方向;在第一最大密度方向上下第一角度范围内,每隔预设的第二角度计算一次光密度,获取第二最大密度方向;以第二最大密度方向更新椭圆搜索区域的方向,所述第二角度小于所述第一角度。
4.根据权利要求1所述的一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,光子密度计算步骤还包括,判断椭圆搜索区域两侧对应的光子的密度差是否大于预设的密度阈值,若是,则将该椭圆搜索区域在各个搜索方向中心点的最小密度值,作为该椭圆搜索区域中心点的密度值。
6.根据权利要求1所述的一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,预处理步骤中,所述数据预处理包括对单光子激光测高数据左右边缘两侧光子进行镜像补充。
7.根据权利要求1所述的一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,所述数据去噪步骤还包括采用K最近邻距离法去除离散噪声点,所述K最近邻距离法具体为,计算每个点到其最近的K个点的距离和,对所有点的距离和进行直方图统计,并对直方图统计结果进行高斯拟合,根据预设的距离阈值去除离散噪声点,所述距离阈值设置为均值加t倍方差。
8.根据权利要求1所述的一种基于密度统计的单光子激光测高数据去噪方法,其特征在于,所述数据去噪步骤获取有一次信号光子和一次信号光子以外的数据,所述单光子激光测高数据自适应去噪方法还包括:
低密度信号光子提取步骤:对获取的一次信号光子以外的数据,采用竖直的椭圆搜索区域进行光子密度计算,通过自适应计算一次信号光子以外的数据中每个沿轨距离段的OTSU阈值,进行数据去噪,然后采用K最近邻距离法进一步去除离散噪声点,获取二次信号,将所述一次信号与所述二次信号叠加,获取去噪后的单光子激光测高数据。
9.一种基于密度统计的单光子激光测高数据去噪装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1~8任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477987.1A CN111665517B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477987.1A CN111665517B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111665517A CN111665517A (zh) | 2020-09-15 |
CN111665517B true CN111665517B (zh) | 2022-11-18 |
Family
ID=72385247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010477987.1A Active CN111665517B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111665517B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924988B (zh) * | 2021-01-30 | 2022-09-16 | 同济大学 | 基于评估标签的星载单光子激光测高高程控制点提取方法 |
CN113466827B (zh) * | 2021-07-19 | 2023-08-22 | 上海海洋大学 | 一种基于改进局部稀疏算法的去噪方法 |
CN113780085B (zh) * | 2021-08-11 | 2023-07-07 | 同济大学 | 一种近海单光子去噪分类方法 |
CN115222949B (zh) * | 2022-09-21 | 2022-12-06 | 自然资源部第一海洋研究所 | 一种基于激光卫星数据的浅海区域光子去噪方法 |
CN115825920B (zh) * | 2023-02-10 | 2023-05-05 | 中国科学院精密测量科学与技术创新研究院 | 一种顾及冰川形态的ICESat-2光子去噪方法 |
CN116243273B (zh) * | 2023-05-09 | 2023-09-15 | 中国地质大学(武汉) | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799494A (zh) * | 2017-11-17 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种星载光子计数激光雷达数据快速去噪滤波方法 |
CN110837088A (zh) * | 2019-10-31 | 2020-02-25 | 同济大学 | 一种星载激光测高仪数据去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9244258B2 (en) * | 2010-06-24 | 2016-01-26 | Panasonic Corporation | Omnidirectional imaging system |
-
2020
- 2020-05-29 CN CN202010477987.1A patent/CN111665517B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799494A (zh) * | 2017-11-17 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种星载光子计数激光雷达数据快速去噪滤波方法 |
CN110837088A (zh) * | 2019-10-31 | 2020-02-25 | 同济大学 | 一种星载激光测高仪数据去噪方法 |
Non-Patent Citations (5)
Title |
---|
LiDAR点云数据分割的自适应回波比率算法研究;杨晓云等;《测绘科学》;20180720(第07期);79-83 * |
一种地形自适应的机载LiDAR点云正则化TPS滤波方法;张永军等;《地球信息科学学报》;20200425(第04期);898-908 * |
基于梯度分块的自适应点云滤波方法;陈超等;《电子测量技术》;20181008(第19期);79-83 * |
方向自适应的光子计数激光雷达滤波方法;谢锋等;《红外与毫米波学报》;20170215;第36卷(第01期);107-113 * |
谢锋等.方向自适应的光子计数激光雷达滤波方法.《红外与毫米波学报》.2017,第36卷(第01期),107-113. * |
Also Published As
Publication number | Publication date |
---|---|
CN111665517A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106599808B (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
US10042048B1 (en) | Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products | |
US7787657B2 (en) | SAR ATR treeline extended operating condition | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN114494287A (zh) | 一种远距离激光雷达点云数据处理方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN114355367A (zh) | 一种基于星载单光子激光雷达数据测量浅海水深的方法 | |
CN114299318A (zh) | 一种快速点云数据处理和目标图像匹配的方法及系统 | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
Tian et al. | Detection of signal and ground photons from ICESat-2 ATL03 data | |
EP1515160B1 (en) | A target shadow detector for synthetic aperture radar | |
Che et al. | Vo-SmoG: A versatile, smooth segment-based ground filter for point clouds via multi-scale voxelization | |
CN116165635B (zh) | 多级滤波算法的日间条件下不同波束光子云数据去噪方法 | |
Morsy et al. | Clustering of multispectral airborne laser scanning data using Gaussian decomposition | |
CN115825920A (zh) | 一种顾及冰川形态的ICESat-2光子去噪方法 | |
Wang et al. | Point cloud classification and accuracy analysis based on feature fusion | |
CN113343819B (zh) | 一种高效的无人机载sar图像目标分割方法 | |
CN113484844A (zh) | LiDAR全波形控制分解驱动的点云分类法 | |
Wang et al. | Photon-counting laser altimeter data filtering based on hierarchical adaptive filter for forest scenario | |
Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
Mallet et al. | Airborne LiDAR data processing | |
Lian et al. | Denoising algorithm based on local distance weighted statistics for photon counting LiDAR point data |
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 |