CN112711001B - 一种精细去噪辅助的激光雷达波形分解方法 - Google Patents
一种精细去噪辅助的激光雷达波形分解方法 Download PDFInfo
- Publication number
- CN112711001B CN112711001B CN202011498912.8A CN202011498912A CN112711001B CN 112711001 B CN112711001 B CN 112711001B CN 202011498912 A CN202011498912 A CN 202011498912A CN 112711001 B CN112711001 B CN 112711001B
- Authority
- CN
- China
- Prior art keywords
- waveform
- waveform data
- gaussian
- echo
- decomposition
- 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
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
- G01S7/4802—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
-
- 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
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种精细去噪辅助的激光雷达波形分解方法,包括:获取全波形激光雷达系统的发射脉冲及回波波形的波形数据;利用EM算法对发射脉冲的波形数据进行波形分解,基于进行波形分解得到的波形有效组分和发射脉冲的波形数据,估计背景噪声和随机噪声;基于背景噪声和随机噪声,结合回波波形的波形数据的相邻采样值强度关联性,对回波波形的波形数据进行去噪处理;利用EM算法对去噪后的回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定回波波形的最优波形分解。该方法在完成发射脉冲波形数据辅助的噪声估计的前提下,可实现回波波形数据的最优分解。
Description
技术领域
本公开涉及雷达探测技术领域,尤其涉及一种精细去噪辅助的激光雷达波形分解方法。
背景技术
在实际应用中,全波形激光雷达采集的波形数据不可避免地受到背景噪声、热噪声、暗电流噪声、数字采样噪声等噪声的不利影响。对波形数据的进行噪声估计及滤波去噪处理,对后续波形信息的精确提取十分重要。
目前,滤波去噪算法大多为将阈值法与滤波算法(如:高斯滤波、Savitzky-Golay滤波等)结合,一般通过截取一定数量回波波形数据的前端或末端噪声数据的均值估计背景噪声。该类方法虽能够简单快速地估计背景噪声,但由于未能充分考虑波形采集过程中每条波形之间存在的不一致性,导致背景噪声的估计值并非完全适用于所有的波形数据。如果背景噪声未得到有效估计,将导致滤波去噪后的波形数据中仍有杂小波未能去除,不利于后续的波形分解。
当下波形分解的主流算法通过组分探测获取模型参数初值,进而采用期望最大法(Expectation Maximum,EM)或列文伯格-马夸尔特法(Levenberg-Marquardt,LM)优化模型,实现波形的最优分解。但该方法波形分解的准确性严重依赖于组分探测的有效性。由于叠加波、“伪拐点”的存在,组分探测时极易出现组分缺失和伪分量误探测现象,产生组分数估计错误、模型参数初值估计偏差过大等问题,进而导致波形分解准确性低、鲁棒性差等缺点。
发明内容
鉴于上述问题,本发明提供了一种精细去噪辅助的激光雷达波形分解方法,在完成发射脉冲波形数据辅助的噪声估计的前提下,可实现回波波形数据的最优分解。
本公开的一个方面提供了一种精细去噪辅助的激光雷达波形分解方法,包括:获取全波形激光雷达系统的发射脉冲及回波波形的波形数据;利用EM算法对所述发射脉冲的波形数据进行波形分解,基于进行波形分解得到的波形有效组分和所述发射脉冲的波形数据,估计背景噪声和随机噪声;基于所述背景噪声和随机噪声,结合所述回波波形的波形数据的相邻采样值强度关联性,对所述回波波形的波形数据进行去噪处理;利用EM算法对去噪后的所述回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定所述回波波形的最优波形分解。
可选地,利用EM算法对所述发射脉冲或去噪后的所述回波波形的波形数据进行波形分解包括:建立所述波形数据的高斯混合模型,所述高斯混合模型由至少一个所述波形数据的高斯组分和对应的相对权重构成;根据各所述的波形数据和相对权重,计算各所述高斯组分生成的概率;基于所述概率,计算各所述高斯组分的高斯分布数学期望和方差,以及,更新各所述高斯组分的相对权重;基于所述数学期望和方差,重新估计各所述高斯组分;重复上述步骤,直至收敛为止。
可选地,所述高斯混合模型包括:
其中,Y表示所述高斯混合模型,ωj表示第j个高斯组分fj(xi)的相对权重,且K表示所述高斯混合模型中的组分数,μj和/>分别表示组分fj(xi)的数学期望和方差,xi表示所述波形数据的采样值。
可选地,所述根据各所述高斯组分的波形数据和相对权重,计算各所述高斯组分生成的概率的公式包括:
其中,γij表示第j个高斯组分fj(x)的生成概率,ωj表示第j个高斯组分fj(x)的相对权重,且K表示所述高斯混合模型中的组分数。
可选地,所述基于所述概率,计算各所述高斯组分的高斯分布数学期望和方差,以及,更新各所述高斯组分的相对权重的计算公式包括:
其中,μj表示第j个高斯组分的数学期望,表示第j个高斯组分的方差,ωj表示第j个高斯组分的相对权重,γij表示第j个高斯组分的生成概率,M表示所述波形数据的采样个数,xi表示所述波形数据的采样值,i=1,2,…,M。
可选地,所述发射脉冲的波形数据仅包括一个波形组分,利用EM算法对所述发射脉冲的波形数据进行波形分解后,所述基于进行波形分解得到的波形有效组分和所述发射脉冲的波形数据,估计背景噪声和随机噪声的计算公式包括:
其中,Nb表示所述背景噪声,Nr表示所述随机噪声,Nemit表示所述发射脉冲的波形数据的采样个数,iemit表示采样点编号,表示所述发射脉冲的第iemit个采样值,/>表示所述发射脉冲的高斯组分的第iemit个采样值。
可选地,获得所述背景噪声和随机噪声后,所述方法还包括:利用Savitzky-Golay滤波算法所述回波波形的波形数据进行滤波平滑处理。
可选地,所述基于所述背景噪声和随机噪声,结合所述回波波形的波形数据的相邻采样值强度关联性,对所述回波波形的波形数据进行去噪处理包括:
设所述回波波形数据为滤波后的回波波形数据为/>滤波去噪后的回波波形数据为其中,/>表示采样时间点,表示采样值,iecho=1,2,…,Necho;若/>则/>若/>则/>若/>且/>和/>同时成立,则若/>且/>或/>成立,则/>
可选地,所述回波波形至少包括一个高斯组分,所述利用EM算法对去噪后的所述回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定所述回波波形的最优波形分解包括:确定所述高斯组分数的取值范围;利用EM算法分别对所述回波波形的波形数据进行不同组分数的波形分解,得到不同高斯组分数条件下的各高斯组分;基于所述高斯组分,分别计算各所述高斯组分数条件下的贝叶斯信息准则值;将与最小的所述贝叶斯信息准则值对应的波形分解结果作为最优波形分解。
可选地所述基于所述高斯组分,分别计算各所述高斯组分数条件下的贝叶斯信息准则值包括:令BIC表示所述贝叶斯信息准则值,LK(x)表示所述回波波形的波形数据的对数似然函数,K表示所述高斯组分数,M表示所述波形数据的采样个数,则:
BIC=-2LK(x)+Kln(M);
在本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
(1)本公开实施例提供的一种精细去噪辅助的激光雷达波形分解方法,利用EM算法实现了发射脉冲波形数据辅助的背景噪声和随机噪声的估计,
(2)首次实现了顾及相邻采样值强度关联性的回波波形数据滤波去噪,达到了同时滤除背景噪声和随机噪声的效果;
(3)实现了顾及发射脉冲去噪与贝叶斯信息准则的波形分解方法,只需设定最小最大组分数,利用波形数据的数字特征,自主完成回波波形的最优分解。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了本公开实施例提供的一种精细去噪辅助的激光雷达波形分解方法的流程图;
图2示意性示出了本公开实施例提供的一种发射脉冲波形数据分解效果图;
图3示意性示出了本公开实施例提供的一种背景噪声和随机噪声估计图;
图4示意性示出了本公开实施例提供的一种回波波形数据滤波去噪效果图;
图5示意性示出了本公开实施例提供的一种回波波形数据波形分解效果图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
图1示意性示出了本公开实施例提供的一种精细去噪辅助的激光雷达波形分解方法的流程图。
如图1所示,本公开一种精细去噪辅助的激光雷达波形分解方法,包括步骤S110~S140。
S110,获取全波形激光雷达系统的发射脉冲及回波波形的波形数据。
S120,利用EM算法对发射脉冲的波形数据进行波形分解,基于进行波形分解得到的波形有效组分和发射脉冲的波形数据,估计背景噪声和随机噪声。
S130,基于背景噪声和随机噪声,结合回波波形的波形数据的相邻采样值强度关联性,对回波波形的波形数据进行去噪处理。
S140,利用EM算法对去噪后的回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定回波波形的最优波形分解。
本公开实施例提供的精细去噪辅助的激光雷达波形分解方法,首先,利用EM算法实现了发射脉冲波形数据辅助的背景噪声和随机噪声的估计,其次,根据相邻采样值强度关联性的回波波形数据滤波去噪,达到了同时滤除背景噪声和随机噪声的效果,最后,设定最小最大组分数,利用波形数据的数字特征,自主完成回波波形的最优分解具体的,各步骤的具体实施步骤如下。
步骤S120包括步骤S121~S125。
S121,建立波形数据的高斯混合模型,高斯混合模型由至少一个波形数据的高斯组分和对应的相对权重构成。
高斯混合模型包括:
其中,Y表示高斯混合模型,ωj表示第j个高斯组分fj(xi)的相对权重,且K表示高斯混合模型中的组分数,μj和/>分别表示组分fj(xi)的数学期望和方差,xi表示波形数据的采样值。
需要说明的是,由于EM算法中输入数据维度为一维,而全波形激光雷达采集的波形是关于采样时刻和强度的二维数据,因此,在不损失原始波形数据所有信息的情况下,需将二维的波形数据转换为一维,以满足EM算法的输入需要。
在本公开实施例中,假设原始采集到的波形数据为 其中,/>表示波形数据的采样时刻,/>表示波形数据的采样值,N表示波形数据的采样个数。将原始的二维波形数据转换为一维波形数据其中,/>表示/>个/>进而可将一维波形数据表示为T1D={x1,x2,…,xM},且/>例如,假设原始波形数据为则其1维表示维/>将该波形数据转换为一维表示点后,应用到EM算法中,该一维向量中的各元素表示采样值,该一维向量的元素总数表示总采样数量。
S122,根据各的波形数据和相对权重,计算各高斯组分生成的概率。
计算各高斯组分生成的概率的公式包括:
其中,γij表示第j个高斯组分fj(x)的生成概率,ωj表示第j个高斯组分fj(x)的相对权重,且K表示高斯混合模型中的组分数。
S123,基于概率,计算各高斯组分的高斯分布数学期望和方差,以及,更新各高斯组分的相对权重。
基于上述概率,计算各高斯组分的高斯分布数学期望和方差,以及,更新各高斯组分的相对权重的计算公式包括:
其中,μj表示第j个高斯组分的数学期望,表示第j个高斯组分的方差,ωj表示第j个高斯组分的相对权重,γij表示第j个高斯组分的生成概率,M表示波形数据的采样个数,xi表示波形数据的采样值,i=1,2,…,M。
S124,基于数学期望和方差,重新估计各高斯组分。
S125,重复上述步骤,直至收敛为止。
在本公开实施例中,由于EM算法对初值敏感,初值的选择对EM算法的稳定尤为重要,高斯混合模型中高斯组分的期望、方差、相对权重的初值由一维波形数据T1D的数字特征估计所得,如下式所示:
由于发射脉冲的波形数据仅包括一个高斯组分,即K=1,根据步骤S121~S125实现对发射脉冲的波形分解,获得发射脉冲的高斯组分。设发射脉冲的波形数据为发射脉冲的高斯组分为Nemit为发射脉冲波形数据的采样数。利用EM算法对发射脉冲的波形数据进行波形分解后,基于进行波形分解得到的波形有效组分和发射脉冲的波形数据,估计背景噪声和随机噪声,具体的,将提取唯一有效组分后残差的均值设定为背景噪声,将提取唯一有效组分后残差的标准差设定为随机噪声,计算公式包括:
其中,Nb表示背景噪声,Nr表示随机噪声,Nemit表示发射脉冲的波形数据的采样个数,iemit表示采样点编号,表示发射脉冲的第iemit个采样值,/>表示发射脉冲的高斯组分的第iemit个采样值。
在本公开实施例中,计算出背景噪声和随机噪声后,需对回波数据进行滤波处理,因此,方法还包括步骤S126。
S126,利用Savitzky-Golay滤波算法回波波形的波形数据进行滤波平滑处理,消除部分因随机噪声产生的毛刺。
由于回波波形数据滤波后,仍有背景噪声和因随机噪声产生的杂小波未被滤除,因此,还需对该波形数据进行步骤S130去噪,步骤S130包括步骤S131~S134。
设回波波形数据为滤波后的回波波形数据为/>滤波去噪后的回波波形数据为其中,/>表示采样时间点,表示采样值,iecho=1,2,…,Necho;
S131,若则/>
S132,若则/>
S133,若且/>和/>同时成立,则/>
S134,若且/>或/>成立,则/>
受传播环境的影响,回波波形至少包括一个高斯组分,根据步骤S140获取回波波形的最优分解的步骤包括S141~S144。
S141,确定高斯组分数的取值范围。
在本公开实施例中,由于回波波形数据中至少存在一个高斯组分,则波形分解时中的最小组分数为Kmin=1。
在本公开实施例中,设定的最大组分数为:
其中,N(T″echo)为滤波去噪后回波波形数据中非零值的个数,[…]up表示向上取整函数,S为确定一个高斯组分的采样点的最小个数。S为经验值,与全波形激光雷达的硬件系统相关,可根据具体的硬件系统估计该值。
根据设定的最小最大组分数,确定组分数的取值范围为Kmin≤K≤Kmax,K为正整数。
S142,利用EM算法分别对回波波形的波形数据进行不同组分数的波形分解,得到不同高斯组分数条件下的各高斯组分。
在各组分数K条件下,根据步骤S121~S125分别对回波波形的波形数据进行分解处理,获得各组分数条件下回波信号的高斯组分。
S143,基于高斯组分,分别计算各高斯组分数条件下的贝叶斯信息准则值。
令BIC表示贝叶斯信息准则值,LK(x)表示回波波形的波形数据的对数似然函数,K表示高斯组分数,M表示波形数据的采样个数,则:
BIC=-2LK(x)+Kln(M);
S144,将与最小的贝叶斯信息准则值对应的波形分解结果作为最优波形分解。
至此,通过上述方法,完成了回波波形的最优波形分解。
图2示意性示出了本公开实施例提供的一种发射脉冲波形数据分解效果图。如图2所示,根据步骤S121~S125对发射脉冲的波形数据进行波形分解后,得到的拟合波形(即高斯组分)与发射脉冲的波形存在误差,该误差由噪声引起。
图3示意性示出了本公开实施例提供的一种背景噪声和随机噪声估计图。如图3所示,基于图2所示的发射脉冲的波形及其拟合波形的数据,并根据背景噪声和随机噪声的估计公式,可求得发射脉冲的波形及其拟合波形的数据的拟合残差,完成相应回波波形数据的噪声估计。
图4示意性示出了本公开实施例提供的一种回波波形数据滤波去噪效果图。如图4所示,对回波的波形数据滤波并去噪后得到的波形与该回波的波形数据十分接近。
图5示意性示出了本公开实施例提供的一种回波波形数据波形分解效果图,图5示出了最优的波形分解效果。
根据本公开提供的方法,联合发射脉冲波形数据辅助的噪声估计,并顾及相邻采样值强度关联性,实现对回波波形的滤波去噪,达到了同时滤除背景噪声和随机噪声的效果,最后根据贝叶斯信息准则,确定回波波形的最优分解,准确性高,鲁棒性好。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (9)
1.一种精细去噪辅助的激光雷达波形分解方法,其特征在于,包括:
获取全波形激光雷达系统的发射脉冲及回波波形的波形数据;
利用EM算法对所述发射脉冲的波形数据进行波形分解,基于进行波形分解得到的波形有效组分和所述发射脉冲的波形数据,估计背景噪声和随机噪声;
基于所述背景噪声和随机噪声,结合所述回波波形的波形数据的相邻采样值强度关联性,对所述回波波形的波形数据进行去噪处理;
利用EM算法对去噪后的所述回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定所述回波波形的最优波形分解;
其中,利用EM算法对所述发射脉冲或去噪后的所述回波波形的波形数据进行波形分解包括:
建立所述波形数据的高斯混合模型,所述高斯混合模型由至少一个所述波形数据的高斯组分和对应的相对权重构成;
根据各所述的波形数据和相对权重,计算各所述高斯组分生成的概率;
基于所述概率,计算各所述高斯组分的高斯分布数学期望和方差,以及,更新各所述高斯组分的相对权重;
基于所述数学期望和方差,重新估计各所述高斯组分;
重复上述步骤,直至收敛为止。
2.根据权利要求1所述的方法,其特征在于,所述高斯混合模型包括:
其中,Y表示所述高斯混合模型,ωj表示第j个高斯组分fj(xi)的相对权重,且K表示所述高斯混合模型中的组分数,μj和/>分别表示组分fj(xi)的数学期望和方差,xi表示所述波形数据的采样值。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述高斯组分的波形数据和相对权重,计算各所述高斯组分生成的概率的公式包括:
其中,γij表示第j个高斯组分fj(x)的生成概率,ωj表示第j个高斯组分fj(x)的相对权重,且K表示所述高斯混合模型中的组分数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述概率,计算各所述高斯组分的高斯分布数学期望和方差,以及,更新各所述高斯组分的相对权重的计算公式包括:
其中,μj表示第j个高斯组分的数学期望,表示第j个高斯组分的方差,ωj表示第j个高斯组分的相对权重,γij表示第j个高斯组分的生成概率,M表示所述波形数据的采样个数,xi表示所述波形数据的采样值,i=1,2,…,M。
5.根据权利要求1所述的方法,其特征在于,所述发射脉冲的波形数据仅包括一个波形组分,利用EM算法对所述发射脉冲的波形数据进行波形分解后,所述基于进行波形分解得到的波形有效组分和所述发射脉冲的波形数据,估计背景噪声和随机噪声的计算公式包括:
其中,Nb表示所述背景噪声,Nr表示所述随机噪声,Nemit表示所述发射脉冲的波形数据的采样个数,iemit表示采样点编号,表示所述发射脉冲的第iemit个采样值,/>表示所述发射脉冲的高斯组分的第iemit个采样值。
6.根据权利要求1所述的方法,其特征在于,获得所述背景噪声和随机噪声后,所述方法还包括:
利用Savitzky-Golay滤波算法对所述回波波形的波形数据进行滤波平滑处理。
7.根据权利要求6所述的方法,其特征在于,所述基于所述背景噪声和随机噪声,结合所述回波波形的波形数据的相邻采样值强度关联性,对所述回波波形的波形数据进行去噪处理包括:
设所述回波波形数据为滤波后的回波波形数据为/>滤波去噪后的回波波形数据为其中,/>表示采样时间点,表示采样值,iecho=1,2,…,Necho;
若则/>
若则/>
若且/>和/>同时成立,则/>
若目/>或/>成立,则/>
8.根据权利要求2所述的方法,其特征在于,所述回波波形至少包括一个高斯组分,所述利用EM算法对去噪后的所述回波波形的波形数据进行多种高斯组分数的波形分解,并根据贝叶斯信息准则从中确定所述回波波形的最优波形分解包括:
确定所述高斯组分数的取值范围;
利用EM算法分别对所述回波波形的波形数据进行不同组分数的波形分解,得到不同高斯组分数条件下的各高斯组分;
基于所述高斯组分,分别计算各所述高斯组分数条件下的贝叶斯信息准则值;
将与最小的所述贝叶斯信息准则值对应的波形分解结果作为最优波形分解。
9.根据权利要求8所述的方法,其特征在于,所述基于所述高斯组分,分别计算各所述高斯组分数条件下的贝叶斯信息准则值包括:
令BIC表示所述贝叶斯信息准则值,LK(x)表示所述回波波形的波形数据的对数似然函数,K表示所述高斯组分数,M表示所述波形数据的采样个数,则:
BIC=-2LK(x)+Kln(M);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498912.8A CN112711001B (zh) | 2020-12-17 | 2020-12-17 | 一种精细去噪辅助的激光雷达波形分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498912.8A CN112711001B (zh) | 2020-12-17 | 2020-12-17 | 一种精细去噪辅助的激光雷达波形分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711001A CN112711001A (zh) | 2021-04-27 |
CN112711001B true CN112711001B (zh) | 2023-08-01 |
Family
ID=75544390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011498912.8A Active CN112711001B (zh) | 2020-12-17 | 2020-12-17 | 一种精细去噪辅助的激光雷达波形分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711001B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466384B (zh) * | 2023-06-15 | 2023-11-10 | 苏州瑞派宁科技有限公司 | 闪烁脉冲的处理方法、装置、电子设备以及存储介质 |
Citations (4)
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 |
CN102722640A (zh) * | 2012-05-24 | 2012-10-10 | 中交第二公路勘察设计研究院有限公司 | 一种顾及邻近波形信息的机载激光波形数据分解算法 |
CN103761443A (zh) * | 2014-01-28 | 2014-04-30 | 李奇 | 基于小波变换去噪的激光雷达波形数据处理方法 |
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 |
-
2020
- 2020-12-17 CN CN202011498912.8A patent/CN112711001B/zh active Active
Patent Citations (4)
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 |
CN102722640A (zh) * | 2012-05-24 | 2012-10-10 | 中交第二公路勘察设计研究院有限公司 | 一种顾及邻近波形信息的机载激光波形数据分解算法 |
CN103761443A (zh) * | 2014-01-28 | 2014-04-30 | 李奇 | 基于小波变换去噪的激光雷达波形数据处理方法 |
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 |
Non-Patent Citations (3)
Title |
---|
一种迭代的小光斑LiDAR波形分解方法;赖旭东;秦楠楠;韩晓爽;王俊宏;侯文广;;红外与毫米波学报;32(04);319-324 * |
全波形激光雷达的波形优化分解算法;王滨辉;宋沙磊;龚威;陈振威;林鑫;程学武;李发泉;史硕;;测绘学报;46(第11期);1859-1867 * |
机载激光雷达波形数据横向高斯分解方法;孟志立;徐景中;;武汉大学学报(信息科学版);43(01);81-86 * |
Also Published As
Publication number | Publication date |
---|---|
CN112711001A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
Argenti et al. | Fast MAP despeckling based on Laplacian–Gaussian modeling of wavelet coefficients | |
US8233873B2 (en) | Device and methods for enhanced matched filtering based on correntropy | |
Amirmazlaghani et al. | Two novel Bayesian multiscale approaches for speckle suppression in SAR images | |
CN110673109B (zh) | 一种星载大光斑激光雷达全波形数据分解方法 | |
CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
US20240053302A1 (en) | Ultrasonic non-destructive test method and system using deep learning, and auto-encoder-based prediction model training method used therefor | |
US9077314B2 (en) | Feedback-based particle filtering | |
CN112711001B (zh) | 一种精细去噪辅助的激光雷达波形分解方法 | |
ur Rehman et al. | Translation invariant multi-scale signal denoising based on goodness-of-fit tests | |
CN113917490A (zh) | 激光测风雷达信号去噪方法及装置 | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
CN110133680B (zh) | 一种机载激光测深接收波形有效信号初值确定方法及系统 | |
Gupta | A review and comprehensive comparison of image denoising techniques | |
CN110133670B (zh) | 一种机载激光测深接收波形的去噪处理方法及其系统 | |
CN116977215A (zh) | 图像去雾方法、装置、设备和存储介质 | |
Tesei et al. | The asymmetric generalized gaussian function: A new hos-based model for generic noise pdfs | |
Sadhar et al. | Image estimation in film-grain noise | |
CN115311532A (zh) | 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法 | |
WO2022061598A1 (zh) | 一种信号噪声滤除方法、装置、存储介质及激光雷达 | |
CN114488168A (zh) | 基于最大正向偏差的卫星激光测距全波形高斯拟合方法 | |
CN110738191B (zh) | 一种基于声呐信号的物体分类方法、装置、设备及介质 | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
JP5773935B2 (ja) | シーンにおけるオブジェクトを分類する方法 | |
RABANI et al. | Wavelet based image denoising based on a mixture of Laplace distributions |
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 |