CN113311408A - 一种高光谱激光雷达的辐射校正方法和装置 - Google Patents

一种高光谱激光雷达的辐射校正方法和装置 Download PDF

Info

Publication number
CN113311408A
CN113311408A CN202110769535.5A CN202110769535A CN113311408A CN 113311408 A CN113311408 A CN 113311408A CN 202110769535 A CN202110769535 A CN 202110769535A CN 113311408 A CN113311408 A CN 113311408A
Authority
CN
China
Prior art keywords
channel
echo signal
point
signal received
point cloud
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
Application number
CN202110769535.5A
Other languages
English (en)
Other versions
CN113311408B (zh
Inventor
杨健
徐骞
史硕
龚威
宋沙磊
陈必武
陈博文
杜霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110769535.5A priority Critical patent/CN113311408B/zh
Publication of CN113311408A publication Critical patent/CN113311408A/zh
Application granted granted Critical
Publication of CN113311408B publication Critical patent/CN113311408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G01S7/497—Means for monitoring or calibrating
    • 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)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及一种高光谱激光雷达的辐射校正方法和装置。该方法包括：通过获取高光谱激光雷达的点云数据；根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。本方法能够减轻高光谱激光雷达获取的回波信号强度受到的影响。

Description

一种高光谱激光雷达的辐射校正方法和装置
技术领域
本发明属于激光雷达领域，具体涉及一种高光谱激光雷达的辐射校正方法和装置。
背景技术
激光雷达是激光探测及测距系统的简称。按照通道数量的不同，激光雷达包括单波长激光雷达和高光谱激光雷达(也称多波长激光雷达)。
高光谱激光雷达在单波长激光雷达的设计基础上，通过采用光学分光及APD(Avalanche Photon Diode,雪崩光电二极管)阵列探测的设计，使得在获取全波形信息的同时，也可以获取丰富的回波强度信号。从而，在硬件设计上，高光谱激光雷达突破了单波长激光雷达在对地观测中光谱信息不够的技术瓶颈。
与单波长激光雷达一样，高光谱激光雷达所获取的光谱信号(如回波信号)也受到探测系统、大气辐射传输、观测角度、探测距离、亚光斑及其形变效应等因素的直接或间接影响而造成失真，从而极大的限制了高光谱激光雷达在地物覆盖分类、树种识别、精细农业监测等方面的应用潜能。
发明内容
针对现有技术中存在的缺陷，本发明的目的是提供一种高光谱激光雷达的辐射校正方法和装置。该辐射校正方法和装置能够减轻高光谱激光雷达获取的回波信号强度受到的影响，提高高光谱激光雷达获取的回波信号强度的精确度。
本发明采用的技术方案如下。
第一方面，提供了一种高光谱激光雷达的辐射校正方法，所述辐射校正方法包括：
获取高光谱激光雷达的点云数据；
根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；
根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
可选地，所述点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度，
所述根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，包括：
根据点云中各个点的空间位置坐标，确定点云中各个点的入射角；
从所述高光谱激光雷达的点云中确定样本点云；
获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角；
根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
可选地，所述根据点云中各个点的空间位置坐标，确定点云中各个点的入射角，包括：
根据点云中各个点的空间位置坐标，确定各个点的邻域；
确定各个点与相应邻域构成的表面的法向量；
将各个点的空间位置坐标作为各个点的坐标向量，通过反余弦函数计算各个点的坐标向量和相应法向量之间的夹角，得到各个点的入射角；
所述反余弦函数为,
Figure BDA0003152335910000031
θP为p点的入射角，ej为p点对应的法向量，pi为p点的坐标向量。
可选地，所述确定各个点与相应邻域构成的表面的法向量，包括：
计算各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量；
将特征向量随着相应特征值的大小排序，选取最小特征值对应的特征向量作为相应点与相应邻域构成的表面的法向量；
其中，各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量的计算公式如下：
Figure BDA0003152335910000032
Cov(Pi)表示点集合P组成的协方差矩阵，点集合P包括p点及p点的邻域共k个点，Pi表示点集合P中的第i个点，P是点集合P中所有点的坐标均值，j表示特征向量和特征值的数量，ej表示特征向量，λj表示特征值。
可选地，所述根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，包括：
将样本点云中各个样本点的每个通道接收的回波信号的强度和入射角作为角度效应模型的观测数据，计算相应通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数在所述角度效应模型中的最优估计值；
所述角度效应模型为，
Figure BDA0003152335910000041
I(θ,λn)为第n个通道接收的对应θ入射角的回波信号的强度，I(0°,λn)为第n个通道接收的对应0°入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
可选地，所述根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正，包括：
按照如下公式对点云中各个点的每个通道接收的回波信号的强度进行校正，
Figure BDA0003152335910000042
Icor(θ,λn)为校正后的第n个通道接收的回波信号的强度，I(θ,λn)为第n个通道接收的对应θ入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
第二方面，提供了一种高光谱激光雷达的辐射校正装置，所述辐射校正装置包括：
获取模块，用于获取高光谱激光雷达的点云数据；
确定模块，用于根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；
校正模块，用于根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
可选地，所述点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度，
所述确定模块用于，
根据点云中各个点的空间位置坐标，确定点云中各个点的入射角；
从所述高光谱激光雷达的点云中确定样本点云；
获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角；
根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述高光谱激光雷达的辐射校正方法。
第四方面，提供了一种高光谱激光雷达的辐射校正装置，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行前述高光谱激光雷达的辐射校正方法。
本发明的效果在于：通过获取高光谱激光雷达的点云数据；根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正；能够减轻高光谱激光雷达获取的回波信号强度受到的影响，提高高光谱激光雷达获取的回波信号强度的精确度，以使高光谱激光雷达更好地应用在地物覆盖分类、树种识别、精细农业监测等方面。
附图说明
图1是本发明实施例提供的一种高光谱激光雷达的辐射校正方法的流程图；
图2是本发明实施例提供的一种高光谱激光雷达的辐射校正方法的流程图；
图3是本发明实施例提供的DBSCAN的工作原理示意图；
图4是本发明实施例提供的通道间镜面反射成分参数Ks和粗糙度m的相关性示意图；
图5是本发明实施例提供的实验室内参考目标法与物理角度校正模型法的变异系数比的比较示意图；
图6是本发明实施例提供的实验室内参考目标法与物理角度校正模型法的光谱离散度的比较示意图；
图7是本发明实施例提供的多通道模型法与单通道模型法的确定系数对比示意图；
图8是本发明实施例提供的一种高光谱激光雷达的辐射校正装置的结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述。
本实施例中涉及的名词解释如下。
点云：指目标表面特性的海量点集合。根据激光测量原理得到的点云，其中的点包括至少两种信息，空间位置坐标(三维坐标)和激光反射强度(回波信号的强度)。
通道：指高光谱激光雷达系统中光电接收设备的多通道光敏阵列的光接收通道，用于将接收到的回波信号进行放大。不同通道接收的回波信号的波长不同。
入射角：即点云中点的入射角，指点云表面法线和激光入射方向的夹角。
角度效应模型：指入射角对于激光雷达系统(包括高光谱激光雷达系统)获取回波强度随着角度产生畸变的表达方式。
为便于理解本实施例提供的技术方案的发明构思，首先介绍一下相关的辐射校正技术手段。
高光谱激光雷达是一种新型的对地观测技术，该技术有效结合了激光雷达的三维探测能力和高光谱成像技术的光谱获取能力，有效耦合了地物观测所需要的空谱信息(空间信息和光谱信息)，成为国际上测绘遥感综合应用技术领域研究的热点。
与单波长激光雷达一样，高光谱激光雷达所获取的光谱信号(如回波强度信号)也受到探测系统、大气辐射传输、观测角度、探测距离、亚光斑及其形变效应等因素的直接或间接影响而造成失真，从而极大的限制了高光谱激光雷达在地物覆盖分类、树种识别、精细农业监测等方面的应用潜能。因此，针对高光谱激光雷达进行多波段的辐射校正是实现其应用价值所必须攻克的难题。
相关的辐射校正技术手段主要运用于单波长激光雷达，其主要分为两类：
一类是基于实验室辐射校正方法，其流程多为实验室内测量高光谱辐射信号畸变响应规律。这类校正技术通常在黑暗的室内环境进行、通过在相对理想的实验环境中，使用相关模型拟合距离、角度因素对于信号失真的影响函数，并基于这些影响函数对实测数据进行反过程校正。采用的技术手段主要包括：余弦校正器、参考目标法、激光雷达辐射传输方程法等。这类方法的特点是相对较为简单，不需要建立基于实测数据的模型就能达到一定的校正效果，但是对于植被叶片、光滑目标表面等各向异性明显的目标探测时，其校正结果仍然存在较大失真。
另一类是针对单波长的物理或者经验、半经验模型校正法，这类方法包括：角度多项式拟合法、Phong模型法、Lambert-Beckman模型法、Oren-nayar模型法等。这类方法的特点是：可结合实测数据进行校正，针对单波长通道使用其观测样本数据拟合得到模型的每个参数，其对各向异性明显的表面校正具有一定的效果，但其样本数据的需求和计算效率随着波段数的增多而呈现指数上升。因此，针对高光谱激光雷达几十个观测通道数据的校正，其易造成极大的变量冗余而降低计算效率。
针对此，本实施例提供了一种高光谱激光雷达的辐射校正方法，相对于基于实验室参考目标方式的辐射校正校正的方法，结合了物理的角度校正模型理论，能够提高对于光滑表面、具有各向异性反射特性目标的校正精度；相对于传统单波长校正所产生的大量冗余参数，本方法依据波段间的相关性理论，使所需要解算的未知参数、所需要使用的辐射畸变样本数据得到了大幅度减少，在保证同样较高校正精度条件下大幅度提高了计算效率。
图1为本实施例提供的一种高光谱激光雷达的辐射校正方法的流程图，参见图1，该辐射校正方法流程包括如下步骤。
步骤11、获取高光谱激光雷达的点云数据。
点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度。
步骤12、根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
其中，不同通道接收的回波信号的波长不同。
步骤13、根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
本实施例通过获取高光谱激光雷达的点云数据；根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正；能够减轻高光谱激光雷达获取的回波信号强度受到的影响，提高高光谱激光雷达获取的回波信号强度的精确度，以使高光谱激光雷达更好地应用在地物覆盖分类、树种识别、精细农业监测等方面。
图2为本实施例提供的一种高光谱激光雷达的辐射校正方法的流程图，参见图2，该辐射校正方法流程包括如下步骤。
步骤21、获取高光谱激光雷达的点云数据。
点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度。
假设高光谱激光雷达的通道数为M，则点云中p点的强度数据包括M个通道各自接收的回波信号的强度。
步骤22、根据点云中各个点的空间位置坐标，确定点云中各个点的入射角。
示例性地，步骤22包括如下步骤22a-22c。
步骤22a、根据点云中各个点的空间位置坐标，确定各个点的邻域。
各个点的邻域包括点云中的和相应点邻近的若干个点。
可选地，步骤22a包括：通过相关搜索算法，如k最邻近分类(k-NearestNeighbor，简称KNN)算法，确定点云中的分别距离各个点最近的目标数量的点，得到各个点的邻域。
以点云中p点为例，使用KNN算法，找到点云中离p点最近的(k-1)个点，k为正整数且大于1。p点与其他点之间的距离可以通过空间位置坐标计算得到。KNN算法的原理为本领域技术人员熟知，在此不再赘述。
步骤22b、确定各个点与相应邻域构成的表面的法向量。
可选地，可以采用主成分分析(Principal Component Analysis，简称PCA)确定各个点与相应邻域构成的表面的法向量。PCA的原理是利用方差贡献度来重新划分并排序维度，在光谱分析中通常用来选择贡献度最高的成分，但在入射角计算中通过选择方差贡献度最低的维度(方向)即可将之确定为法向量方向。
下面以PCA为例，详细介绍一下各个点与相应邻域构成的表面的法向量的计算步骤。
第一步、计算各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量。
其中，假设p点的邻域有k-1个点，k为正整数且大于1，p点及其邻域共计k个点，该k个点构成点集合P，基于此，各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量的计算公式如式(1)所示。
Figure BDA0003152335910000101
Cov(Pi)表示点集合P组成的协方差矩阵，点集合P包括p点及p点的邻域共k个点，Pi表示点集合P中的第i个点，Pi是协方差矩阵Cov(Pi)的列向量，P是点集合P中所有点的坐标均值，P表示点集合P共k个点的几何中心，T表示矩阵的转置矩阵，j表示特征向量和特征值的数量，ej表示特征向量，λj表示特征值。
第二步、将特征向量随着相应特征值的大小排序，选取最小特征值对应的特征向量作为相应点与相应邻域构成的表面的法向量。
式(1)中，Cov(Pi)是一个实对称、半正定矩阵，特征值总是大于等于0，其中，最小特征值对应的特征向量就是p点和相应邻域中点构成的表面法向量，其他特征向量是该表面的切线向量。
步骤22c、将各个点的空间位置坐标作为各个点的坐标向量，通过反余弦函数计算各个点的坐标向量和相应法向量之间的夹角，得到各个点的入射角。
示例性地，反余弦函数如式(2)所示。
Figure BDA0003152335910000111
θp为p点的入射角，
Figure BDA0003152335910000112
ej为p点对应的法向量，pi为p点的坐标向量。
步骤23、从高光谱激光雷达的点云中确定样本点云。
通常一个扫描场景中，除了关注的目标的辐射信息，还混有多个其他目标的辐射信息。同时，样本点云是用于分析实际测量中的目标辐射畸变规律，以得到镜面反射强度和表面粗糙度等属性，从而为校正模型(如步骤26中式(10))提供直接的参数。基于此，样本点云包括目标对象的表面特征的点集合。
本实施例不限定样本点云的确定方式，如可以采用聚类算法确定样本点云，聚类算法可以包括K-means(k-means clustering algorithm，k均值聚类算法)、BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies，基于层次结构的平衡迭代聚类方法)和DBSCAN(Density-Based Spatial Clustering of Appl icationswith Noise,具有噪声的基于密度的聚类方法)。
优选地，本实施例采用DBSCAN提取样本点云。DBSCAN的原理是，假设聚类结构能够通过样本分布的紧密程度确定，以数据集在空间上分布的稠密程度作为依据聚类，即只要其中一个区域中的密度大于某个阈值，就把它划入与之相近的簇中。实际场景中，目标对象各通道的回波强度会随着观测角增大而增大，因此目标的辐射畸变会呈现出非凹的特性，通过DBSCAN可以有效克服K-means和BIRCH等聚类算法只适用于凹样本的聚类方法提取失效的问题。
下面详细介绍一下采用DBSCAN提取样本点云的过程。
首先，对点云中每个点的入射角以及每个点的每个通道接收的回波信号的强度分别进行归一化处理，得到归一化数据。归一化数据包括，点云中每个点的归一化入射角以及每个点的每个通道的归一化回波信号强度。
归一化处理的好处在于，解决了两个坐标轴数值范围上的不一致性，保证DBSCAN中圆形邻域搜索的有效性。
可选地，假设p点在第n个通道接收的回波信号的强度为I，p点的入射角为θ，那么，按照式(3)进行通道接收的回波信号的强度的归一化处理，按照式(4)进行入射角的归一化处理，使得通道接收的回波信号的强度和入射角的值的范围为[0，255]。
Figure BDA0003152335910000121
Figure BDA0003152335910000122
其中，I'表示归一化后的第n个通道接收的回波信号的强度，max(I)表示点云的各个点中通道接收的回波信号的强度的最大值；θ'表示归一化后的入射角，max(θ)表示点云的各个点中入射角的最大值。
可选地，得到归一化数据之后，存储点云数据和归一化数据的对应关系，通过点云数据和归一化数据的对应关系，能够得到每个点的三维坐标、入射角、各通道接收的回波信号的强度、归一化入射角以及各通道的归一化回波信号强度。
其次，确定给定点云，并获取给定点云对应的归一化数据。给定点云包括目标对象对应的各个点的三维坐标。
通过目视的方式对真彩色点云进行选择，划分出三维目标所处的区域范围，要求所勾选的区域涵盖目标点云即可。
然后，将给定点云对应的归一化数据作为给定对象，采用DBSCAN从归一化数据中提取给定对象中各个点的簇。
给定对象是，归一化入射角-归一化回波信号强度的二维数组。图3是本实施例提供的DBSCAN的工作原理示意图。如图3所示，坐标横轴表示Incident angle(归一化入射角，单位是°)，坐标纵轴表示Intensity(归一化回波信号强度)，浅色点表示ROI cluster(Region of interest cluster，目标区域类)；深色点表示Non-ROI cluster(非目标区域类)。图3中，(a)示出了本方案所选取的DBSCAN密度聚类算法对于红色波段的目标点云的提取结果(中心高密度点云区域)，(b)示出了DBSCAN密度聚类算法对于绿色波段的目标的提取结果，(c)示出了DBSCAN密度聚类算法对于蓝色波段的目标的提取结果。
最后，获取每个簇中各个点的三维坐标，得到样本点云。
根据点云数据和归一化数据的对应关系，获取簇内每个点的三维坐标，形成样本点云。
步骤24、获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角。
为便于进行后续运算，按照点云数据和样本点云中点的三维坐标的一致性，从点云数据中，获取样本点云中每个点的入射角以及每个点的每个通道接收的回波信号的强度。
步骤25、根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
示例性地，步骤25可以包括：将样本点云中各个样本点的每个通道接收的回波信号的强度和入射角作为角度效应模型的观测数据，计算相应通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数在角度效应模型中的最优估计值。
角度效应模型是指入射角对于激光雷达系统获取回波强度随着角度产生畸变的表达方式，对于高光谱激光雷达也是同理。基于角度效应模型所解算的参数，各通道的辐射数据才能得到校正。相关技术未出现高光谱激光雷达的角度效应模型，本实施例结合传统的单通道角度效应模型，推导了高光谱激光雷达的角度效应模型。下面介绍一下该角度效应模型的推导过程。
传统的单通道角度效应模型如下式(5)所示。
Figure BDA0003152335910000141
I(θ,λ)为单通道(波长为λ)接收的对应θ入射角的回波信号的强度，I(0°,λn)为单通道接收的对应0°入射角的回波信号的强度，KS(λ)为单通道接收的回波信号在物体表面的镜面反射成分参数，cos表示余弦运算，tan表示正切运算，e为自然常数，m(λ)为单通道接收的回波信号对应的物体表面的粗糙度，λ为单通道接收的回波信号的波长。
其中，KS(λ)和m(λ)为未知参数，这两个参数是辐射校正的关键，一般是带入样本数据进行分析。但是，高光谱激光雷达的观测通道(接收通道)数至少为32，一般可达到几百个，基于传统的单波长校正方法，校正所需要的的样本量和所需解算的参数量的需求随着观测通道数n的增加而出线性增加，而不同通道间，校正参数具有很强的相关性，传统的方法会造成大量冗余计算成本。
本实施例提供的技术方案结合了Lambert-Beckman模型和对物体表面多通道角度反射特性的考虑，利用高光谱激光雷达多通道观测的特性，建立了针对于高光谱激光雷达的角度效应模型，旨在减少校正参数、计算成本、样本需求量同时增强弱信号通道的校正精度。
图4是本发明实施例提供的通道间镜面反射成分参数KS和粗糙度m的相关性示意图。参见图4，左侧坐标图(a)的横轴表示通道的反射率(Reflectance)，纵轴表示KS参数(Parameter)，从左侧坐标图(a)可知，不同通道的KS参数(图4中圆点示出)随着通道反射率的增加而呈现负相关(呈现-1次的减小)，两者之间的关系如式(6)所示。右侧坐标图(b)的横轴表示波长(Wavelength，单位是μm)，纵轴表示粗糙度(Roughness)m，从右侧坐标图(b)可知，物体表面粗糙度(图4中三角形点示出)和波长处于同一量级，并随波长存在缓慢的线性变化，两者之间的关系如式(7)所示。
KS(λ)＝a·R-1(λ)+b (6)
m(λ)＝c·λ+d (7)
将式(6)和式(7)带入式(5)中，即得到本方案所建立的全通道角度效应模型，其表达如式(8)所示。
Figure BDA0003152335910000151
I(θ,λn)为第n个通道(波长为λn)接收的对应θ入射角的回波信号的强度，I(0°,λn)为第n个通道接收的对应0°入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
假设高光谱激光雷达有n个接收通道，n为整数且n≥32，各个通道的角度效应模型如式(9)所示。
Figure BDA0003152335910000161
I(θ,λn)是样本点云中每个点的第n个通道接收的回波信号的强度，在步骤24中获得；λn为已知参数；R-1(λn)、a、b、c和d为未知参数；当扫描场景中包含入射角为0°(可以是步骤22中计算得到的入射角)的点云时，I(0°,λn)为已知参数，当扫描场景中未包含入射角为0°的点云时，I(0°,λn)为未知参数。其中，R-1(λn)可以通过I(0°,λn)计算得到。具体地，R-1(λn)等于入射角为0°(垂直入射)的点云的第n个通道接收的回波信号的强度的平均值的倒数。那么，当I(0°,λn)为已知参数时，R-1(λn)为已知参数，这时，未知参数只有a、b、c和d四个；当I(0°,λn)为未知参数时，R-1(λn)通过I(0°,λn)表达得到，这时，未知参数有I(0°,λn)、a、b、c和d五个。未知参数作为式(8)的待解算参数，将样本点云中各个样本点的每个通道接收的回波信号的强度和入射角带入式(8)，通过最小二乘法对式(8)进行解算得到最优估计值。
当未知参数只有四个时，相比传统的单波长校正方法解算2n(n≥32)个未知参数(每个通道均对应一个镜面反射成分参数Ks和一个粗糙度m，即一个通道对应两个未知参数)，计算效率得到了显著的提升。当未知参数有五个时，此时未知参数有n+4个，只有传统单波长的校正方法解算的参数量的1/3，计算效率也得到大幅提升。
综上，在三维扫描场景中，无论所提取的目标点云包含垂直入射信息与否，相比传统单波长解算方法，本方案通过反射率和波长这两个已知参数表达了不同通道波长之间的相关性，借助波段之间的校正参数相关性理论的方式都可以显著减少未知参数数量，从而达到减少冗余计算的目的。
以上步骤22-25实现了，根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。不同通道接收的回波信号的波长不同。
步骤26、根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
示例性地，步骤26包括：按照式(10)对点云中各个点的每个通道接收的回波信号的强度进行校正。采用式(10)进行校正计算的原理是：首先，将每个通道获取的原始强度减去其包含的镜面强度成分，得到漫反射强度；其次，将该漫反射强度做朗伯余弦校正，即比上该点的入射角θ的余弦值cos(θ)。经过上述两个步骤，得到消除角度因素影响的校正后强度值。
Figure BDA0003152335910000171
式(10)中，Icor(θ,λn)为校正后的第n个通道接收的回波信号的强度，I(θ,λn)为第n个通道接收的对应θ入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
相对于基于实验室参考目标方式的辐射校正校正的方法，本实施例结合了物理的角度校正模型理论，能够提高对于光滑表面、具有各向异性反射特性目标的校正精度。图5是本实施例提供的实验室内参考目标法与物理角度校正模型法的变异系数比的比较示意图，图6是本实施例提供的实验室内参考目标法与物理角度校正模型法的光谱离散度的比较示意图。参见图5，上方线条表示室内校正法的变异系数比的变化趋势；下方线条表示本实施例采用的物理角度模型法的变异系数比的变化趋势；变异系数比是指校正后的回波强度数据稳定程度和校正前稳定程度之比，稳定程度通常用标准差比均值的方式表征，变异系数比的值越小表示校正后数据越稳定，代表校正效果越好。图5中，(a)部分示出了绿色樟树叶片样本的各个通道(550-830nm)的回波强度使用本模型提出的校正方法得到的变异系数比和参考目标方法的变异系数的对比，(b)部分示出了绿色绿萝叶片样本的各个通道(550-830nm)的回波强度使用本模型提出的校正方法得到的变异系数比和参考目标方法的变异系数的对比，(c)部分示出了绿色桂树叶片样本的各个通道(550-830nm)的回波强度使用本模型提出的校正方法得到的变异系数比和参考目标方法的变异系数的对比。(d)部分示出了黄色樟树叶片样本的各个通道(550-830nm)的回波强度使用本模型提出的校正方法得到的变异系数比和参考目标方法的变异系数的对比，(e)部分示出了红色桂树叶片样本的各个通道(550-830nm)的回波强度使用本模型提出的校正方法得到的变异系数比和参考目标方法的变异系数的对比。(a)—(e)表明，本方案提出的方法对于不同颜色、种类和光谱特性的样本在全通道上都具有相比传统的参考目标方法更低的变异系数比，即具有更好的校正效果。参见图6，以0°、10°、20°、40°和50°的观测角度(顺次对应从上到下的线条)为例，左侧坐标图为室内校正法的光谱离散度，各个观测角度上的光谱较为分散；右侧坐标图为本实施例采用的物理角度模型法的光谱离散度，各个观测角度上的光谱趋于稳定。
相对于传统单波长校正所产生的大量冗余参数，本方法依据波段间的相关性理论，使所需要解算的未知参数、所需要使用的辐射畸变样本数据得到了大幅度减少(两种情况，一种使得参数从2n(n≥32)减少到4，一种情况未知参数总数减少了2/3)，在保证精度基本不变的情况下，使得未知参数量和样本量减少，提高了计算效率。例如，多通道模型法使用了550-830nm的281个通道的光谱数据，光谱分辨率为1nm。传统的单波长模型法解算了281*2＝562个未知参数，本技术提出的方法共解算了4个未知参数，相比传统单波长解算参数量减少了558个。图7是本实施例提供的多通道模型法与单通道模型法的确定系数对比示意图。确定系数为模型预测值(即模型校正后的强度值)与强度测量值(即测量得到实际值)的比值。参见图7，左侧为单通道模型法的确定系数示意，右侧为多通道模型法的确定系数示意。本实施例的多通道模型法在解算参数大幅度减少的条件下的模型精度基本不变，确定系数R2仅仅比单通道模型法的确定系数减少了0.9890-0.9869＝0.0021。
图8是本实施例提供的一种高光谱激光雷达的辐射校正装置的结构框图，参见图8，该辐射校正装置包括：获取模块81、确定模块82和校正模块83。
获取模块81，用于获取高光谱激光雷达的点云数据。
确定模块82，用于根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
校正模块83，用于根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
该高光谱激光雷达的辐射校正装置适用于对于植被叶片、光滑目标表面等各向异性明显的目标探测的高光谱激光雷达上。
示例性地，点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度。
相应地，确定模块82用于，根据点云中各个点的空间位置坐标，确定点云中各个点的入射角；从高光谱激光雷达的点云中确定样本点云；获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角；根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
示例性地，确定模块82用于，根据点云中各个点的空间位置坐标，确定各个点的邻域，各个点的邻域包括点云中的和相应点邻近的若干个点；确定各个点与相应邻域构成的表面的法向量；将各个点的空间位置坐标作为各个点的坐标向量，通过反余弦函数计算各个点的坐标向量和相应法向量之间的夹角，得到各个点的入射角；反余弦函数如式(2)所示。
示例性地，确定模块82用于，计算各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量；将特征向量随着相应特征值的大小排序，选取最小特征值对应的特征向量作为相应点与相应邻域构成的表面的法向量；其中，各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量的计算公式如式(1)所示。
示例性地，确定模块82用于，将样本点云中各个样本点的每个通道接收的回波信号的强度和入射角作为角度效应模型的观测数据，计算相应通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数在角度效应模型中的最优估计值；角度效应模型如式(8)所示。
示例性地，校正模块83用于，按照公式(10)对点云中各个点的每个通道接收的回波信号的强度进行校正。
本实施例中，一种高光谱激光雷达的辐射校正装置可以是计算机，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行前述高光谱激光雷达的辐射校正方法。存储器与处理器可以通过总线连接。存储单元可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。计算机还包括与总线连接的显示单元。显示单元可以对前述点云数据等信息进行显示。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被上述处理器执行时实现前述高光谱激光雷达的辐射校正方法。
需要说明的是，本实施例中高光谱激光雷达的辐射校正装置和方法为同一发明构思，关于高光谱激光雷达的辐射校正装置的功能可以详见高光谱激光雷达的辐射校正方法实施例。
上述实施方式仅为示例性的，本领域技术人员应该明白，本发明所述的方法和系统并不限于具体实施方式中所述的实施例。本领域技术人员在考虑本发明的技术方案后，将容易想到其他的实施方式，这同样属于本发明的技术创新范围，本发明的保护范围由权利要求指出。

Claims (10)

1.一种高光谱激光雷达的辐射校正方法，其特征在于，所述辐射校正方法包括：
获取高光谱激光雷达的点云数据；
根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；
根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
2.如权利要求1所述的辐射校正方法，其特征在于，所述点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度，
所述根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，包括：
根据点云中各个点的空间位置坐标，确定点云中各个点的入射角；
从所述高光谱激光雷达的点云中确定样本点云；
获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角；
根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
3.如权利要求2所述的辐射校正方法，其特征在于，所述根据点云中各个点的空间位置坐标，确定点云中各个点的入射角，包括：
根据点云中各个点的空间位置坐标，确定各个点的邻域；
确定各个点与相应邻域构成的表面的法向量；
将各个点的空间位置坐标作为各个点的坐标向量，通过反余弦函数计算各个点的坐标向量和相应法向量之间的夹角，得到各个点的入射角；
所述反余弦函数为,
Figure FDA0003152335900000021
θP为p点的入射角，ej为p点对应的法向量，pi为p点的坐标向量。
4.如权利要求3所述的辐射校正方法，其特征在于，所述确定各个点与相应邻域构成的表面的法向量，包括：
计算各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量；
将特征向量随着相应特征值的大小排序，选取最小特征值对应的特征向量作为相应点与相应邻域构成的表面的法向量；
其中，各个点以及相应的邻域中点组成的协方差矩阵的特征值和特征向量的计算公式如下：
Figure FDA0003152335900000022
Cov(Pi)表示点集合P组成的协方差矩阵，所述点集合P包括p点及p点的邻域共k个点，Pi表示所述点集合P中的第i个点，
Figure FDA0003152335900000023
是所述点集合P中所有点的坐标均值，j表示特征向量和特征值的数量，ej表示特征向量，λj表示特征值。
5.如权利要求2所述的辐射校正方法，其特征在于，所述根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，包括：
将样本点云中各个样本点的每个通道接收的回波信号的强度和入射角作为角度效应模型的观测数据，计算相应通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数在所述角度效应模型中的最优估计值；
所述角度效应模型为，
Figure FDA0003152335900000031
I(θ,λn)为第n个通道接收的对应θ入射角的回波信号的强度，I(0°,λn)为第n个通道接收的对应0°入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
6.如权利要求1所述的辐射校正方法，其特征在于，所述根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正，包括：
按照如下公式对点云中各个点的每个通道接收的回波信号的强度进行校正，
Figure FDA0003152335900000032
Icor(θ,λn)为校正后的第n个通道接收的回波信号的强度，I(θ,λn)为第n个通道接收的对应θ入射角的回波信号的强度，(a·R-1(λn)+b)为第n个通道接收的回波信号在物体表面的镜面反射成分参数，·表示乘运算，R(λn)为第n个通道上的垂直反射率，cos表示余弦运算，tan表示正切运算，e为自然常数，(c·λn+d)为第n个通道接收的回波信号对应的物体表面的粗糙度，λn为第n个通道接收的回波信号的波长。
7.一种高光谱激光雷达的辐射校正装置，其特征在于，所述辐射校正装置包括：
获取模块，用于获取高光谱激光雷达的点云数据；
确定模块，用于根据高光谱激光雷达的点云数据，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数；
校正模块，用于根据确定的高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数，对点云中各个点的每个通道接收的回波信号的强度进行校正。
8.如权利要求7所述的辐射校正装置，其特征在于，所述点云数据包括点云中各个点的空间位置坐标和高光谱激光雷达的每个通道接收的回波信号的强度，
所述确定模块用于，
根据点云中各个点的空间位置坐标，确定点云中各个点的入射角；
从所述高光谱激光雷达的点云中确定样本点云；
获取确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角；
根据确定的样本点云中各个样本点的每个通道接收的回波信号的强度和入射角，确定高光谱激光雷达的每个通道接收的回波信号对应的物体表面的粗糙度以及在物体表面的镜面反射成分参数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的高光谱激光雷达的辐射校正方法。
10.一种高光谱激光雷达的辐射校正装置，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的高光谱激光雷达的辐射校正方法。
CN202110769535.5A 2021-07-07 2021-07-07 一种高光谱激光雷达的辐射校正方法和装置 Active CN113311408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769535.5A CN113311408B (zh) 2021-07-07 2021-07-07 一种高光谱激光雷达的辐射校正方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769535.5A CN113311408B (zh) 2021-07-07 2021-07-07 一种高光谱激光雷达的辐射校正方法和装置

Publications (2)

Publication Number Publication Date
CN113311408A true CN113311408A (zh) 2021-08-27
CN113311408B CN113311408B (zh) 2023-05-26

Family

ID=77381982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769535.5A Active CN113311408B (zh) 2021-07-07 2021-07-07 一种高光谱激光雷达的辐射校正方法和装置

Country Status (1)

Country Link
CN (1) CN113311408B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023061179A1 (zh) * 2021-10-15 2023-04-20 华为技术有限公司 一种数据处理、传输方法及装置

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371503A (en) * 1993-08-05 1994-12-06 Raytheon Company Radar system and method of operating same
WO2002065155A1 (en) * 2001-02-09 2002-08-22 Commonwealth Scientific And Industrial Research Organisation Lidar system and method
CN1502047A (zh) * 2001-02-09 2004-06-02 �����ѧ�͹�ҵ�о���֯ 激光雷达系统和方法
US20090097034A1 (en) * 2007-10-10 2009-04-16 Applied Extrusion Technologies, Inc. System and method for visual quality characterization of holographic materials
CN101598543A (zh) * 2009-07-29 2009-12-09 中国科学院对地观测与数字地球科学中心 一种实用的遥感影像大气校正方法
CN101598798A (zh) * 2008-12-31 2009-12-09 中国资源卫星应用中心 一种对高光谱干涉数据进行光谱重建的系统和方法
JP2012068177A (ja) * 2010-09-27 2012-04-05 Denso Wave Inc レーザレーダ装置
DE102011109503A1 (de) * 2011-07-06 2013-01-10 Deutsches Zentrum für Luft- und Raumfahrt e.V. Qualitätsabhängige Modellierung von Radar-Rückstreuung
CN105137416A (zh) * 2015-09-17 2015-12-09 中国科学院遥感与数字地球研究所 一种高光谱激光雷达目标样品试验装置与方法
US20170003380A1 (en) * 2013-12-31 2017-01-05 Korea University Research And Business Foundation Method for evaluating type of distance measured by laser range finder and method for estimating position of mobile robot by using same
CN106777698A (zh) * 2016-12-19 2017-05-31 国家卫星海洋应用中心 后向散射系数的定标系数的校正方法及装置
GB201719707D0 (en) * 2017-11-28 2018-01-10 Jaguar Land Rover Ltd Terrain analysis apparatus and method
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
CN110221277A (zh) * 2019-06-21 2019-09-10 北京航空航天大学 一种基于激光雷达扫描的隧道表面渗水区域提取方法
CN110415259A (zh) * 2019-07-30 2019-11-05 南京林业大学 一种基于激光反射强度的行道树点云识别方法
CN110794424A (zh) * 2019-11-13 2020-02-14 湖北大学 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
CN111896913A (zh) * 2020-07-07 2020-11-06 武汉大学 高频雷达单极子/交叉环天线通道增益校准方法及装置
CN112051226A (zh) * 2020-09-03 2020-12-08 山东省科学院海洋仪器仪表研究所 基于无人机载高光谱图像估算近海总悬浮物浓度的方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371503A (en) * 1993-08-05 1994-12-06 Raytheon Company Radar system and method of operating same
WO2002065155A1 (en) * 2001-02-09 2002-08-22 Commonwealth Scientific And Industrial Research Organisation Lidar system and method
CN1502047A (zh) * 2001-02-09 2004-06-02 �����ѧ�͹�ҵ�о���֯ 激光雷达系统和方法
US20090097034A1 (en) * 2007-10-10 2009-04-16 Applied Extrusion Technologies, Inc. System and method for visual quality characterization of holographic materials
CN101598798A (zh) * 2008-12-31 2009-12-09 中国资源卫星应用中心 一种对高光谱干涉数据进行光谱重建的系统和方法
CN101598543A (zh) * 2009-07-29 2009-12-09 中国科学院对地观测与数字地球科学中心 一种实用的遥感影像大气校正方法
JP2012068177A (ja) * 2010-09-27 2012-04-05 Denso Wave Inc レーザレーダ装置
DE102011109503A1 (de) * 2011-07-06 2013-01-10 Deutsches Zentrum für Luft- und Raumfahrt e.V. Qualitätsabhängige Modellierung von Radar-Rückstreuung
US20170003380A1 (en) * 2013-12-31 2017-01-05 Korea University Research And Business Foundation Method for evaluating type of distance measured by laser range finder and method for estimating position of mobile robot by using same
CN105137416A (zh) * 2015-09-17 2015-12-09 中国科学院遥感与数字地球研究所 一种高光谱激光雷达目标样品试验装置与方法
CN106777698A (zh) * 2016-12-19 2017-05-31 国家卫星海洋应用中心 后向散射系数的定标系数的校正方法及装置
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
GB201719707D0 (en) * 2017-11-28 2018-01-10 Jaguar Land Rover Ltd Terrain analysis apparatus and method
GB2568751A (en) * 2017-11-28 2019-05-29 Jaguar Land Rover Ltd Terrain analysis apparatus and method
CN110221277A (zh) * 2019-06-21 2019-09-10 北京航空航天大学 一种基于激光雷达扫描的隧道表面渗水区域提取方法
CN110415259A (zh) * 2019-07-30 2019-11-05 南京林业大学 一种基于激光反射强度的行道树点云识别方法
CN110794424A (zh) * 2019-11-13 2020-02-14 湖北大学 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
CN111896913A (zh) * 2020-07-07 2020-11-06 武汉大学 高频雷达单极子/交叉环天线通道增益校准方法及装置
CN112051226A (zh) * 2020-09-03 2020-12-08 山东省科学院海洋仪器仪表研究所 基于无人机载高光谱图像估算近海总悬浮物浓度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANLEI DU 等: "EFFECTS OF ROUGHNESS SCALE ON OCEAN RADAR SCATTERING USING NUMERICAL SIMULATIONS" *
孙华燕;陈剑彪;周哲帅;赵延仲;单聪淼;: "目标散射特性对激光雷达回波特性的影响分析" *
林沂;张萌丹;张立福;江淼;: "高光谱激光雷达谱位合一的角度效应分析" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023061179A1 (zh) * 2021-10-15 2023-04-20 华为技术有限公司 一种数据处理、传输方法及装置

Also Published As

Publication number Publication date
CN113311408B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Qiao et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
Zakhvatkina et al. Operational algorithm for ice–water classification on dual-polarized RADARSAT-2 images
CN103308466B (zh) 便携式滤光片色轮型多光谱成像系统及其光谱图像处理方法
US4912770A (en) Method of detecting change using image
Zhang et al. Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN110717485B (zh) 一种基于局部保留投影的高光谱图像稀疏表示分类方法
Dimov et al. Assessment of cropping system diversity in the fergana valley through image fusion of landsat 8 and sentinel-1
Lindberg et al. Classification of tree species classes in a hemi-boreal forest from multispectral airborne laser scanning data using a mini raster cell method
Yin et al. Optimal band selection for hyperspectral image classification based on inter-class separability
WO2019184269A1 (zh) 基于Landsat8含雪影像的云检测方法
Sánchez-González et al. Basal area and diameter distribution estimation using stereoscopic hemispherical images
CN110135479A (zh) 基于随机森林测度学习的高光谱图像目标探测方法及系统
CN113311408B (zh) 一种高光谱激光雷达的辐射校正方法和装置
El_Rahman Performance of spectral angle mapper and parallelepiped classifiers in agriculture hyperspectral image
Borana et al. Hyperspectral data analysis for arid vegetation species: Smart & sustainable growth
Liu et al. Combining spatial and spectral information to estimate chlorophyll contents of crop leaves with a field imaging spectroscopy system
CN112883877B (zh) 基于双重非监督分类的极化sar红树林提取方法及系统
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
CN116543184A (zh) 一种局部能量响应特征变换的多模态图像匹配方法及系统
CN112577954B (zh) 城市绿地地上生物量估测方法
Montes et al. Occlusion probability in operational forest inventory field sampling with ForeStereo
Hu et al. Application of Vis-NIR hyperspectral imaging in agricultural products detection
Reulke et al. Tree species recognition with fuzzy texture parameters
Yuan et al. Differentiation of wheat diseases and pests based on hyperspectral imaging technology with a few specific bands.

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