CN113466827A - 一种基于改进局部稀疏算法的去噪方法 - Google Patents

Abstract

本发明属于图像去噪的技术领域，公开了一种基于改进局部稀疏算法的去噪方法，用于光子计数激光雷达采集得到的数据集，利用局部稀疏算法，结合椭圆搜索计算数据集中的各个待检对象点的裁剪因子和局部稀疏率，将局部稀疏率大于裁剪因子的对应待检对象点保留下来，加入候选集，然后，计算所述候选集内部各个待检对象点的局部稀疏系数，再利用最大类间方差法找出分割阈值，将局部稀疏系数小于分割阈值的对应待检对象点保留下来，完成对数据集的去噪。

Description

一种基于改进局部稀疏算法的去噪方法

技术领域

本发明涉及数据去噪的技术领域，尤其涉及一种基于改进局部稀疏算法的去噪方法。

背景技术

激光雷达技术被定义为一种集激光，全球定位系统(Global PositioningSystem,GPS)和惯性导航系统(Intertial Navigation Sysytem,INS)技术与一体的能直接获取目标高精度三维信息的主动式探测系统，在地形和水深测量、工程建设和森林生物量的估计上得到广泛的应用。传统线性探测体制激光雷达一般采用较大的发射脉冲能量以及较低的飞行高度以获取足够的激光脉冲回波能量，导致设备的功耗及体积质量大，难以轻型化。光子计数探测体制的激光雷达作为一种新兴的探测技术，采用单光子敏感探测器以及时间相关单光子计数(Time-Correlated Single-Photon Counting，TCSPC)技术，能够识别和响应激光回波信号中一个或多个光子，可实现对强度微弱且持续时间很短的光信号进行记录，使得激光光源产生的光子得到更有效的利用，大大减少了激光发射脉冲所需要的能量，同时其极高的时间分辨率使得激光雷达的作业高度大幅提高。这些特点使得光子计数激光雷达可搭载在星载及无人机载的飞行平台上，在地形和水体测绘等领域有着巨大的优势与潜力。

但光子计数激光雷达由于其高探测灵敏度，当背景噪声较强、目标反射率较低时，目标回波信号受背景噪声干扰严重，导致光子飞行时间统计直方图无法准确反映光子飞行时间的统计特征，直接使用数据将产生较大误差，因此点云去噪算法在单光子激光雷达数据处理和应用中十分重要。传统的基于密度的DBSCAN和基于距离的KNN光子计数激光雷达去噪算法在一些陡峭的地形地物及复杂的地物混合区域内，无法精确的对噪声和信号进行有效的识别。

发明内容

本发明提供了一种基于改进局部稀疏算法的去噪方法，解决了现有去噪方法对于一些陡峭的地形地物及复杂的地物混合区域无法精确的对噪声和信号进行有效的识别等问题。

本发明可通过以下技术方案实现：

一种基于改进局部稀疏算法的去噪方法，用于光子计数激光雷达采集得到的数据集，利用局部稀疏算法，结合椭圆搜索计算数据集中的各个待检对象点的裁剪因子和局部稀疏率，将局部稀疏率大于裁剪因子的对应待检对象点保留下来，加入候选集，然后，计算所述候选集内部各个待检对象点的局部稀疏系数，再利用最大类间方差法找出分割阈值，将局部稀疏系数小于分割阈值的对应待检对象点保留下来，完成对数据集的去噪。

进一步，将候选集中的各个待检对象点按照各自局部稀疏系数的升序进行排列，序号为1-N，记第m个待检对象点之后的待检对象点为噪声点，其余的待检对象点为信号点，计算此时的信号点类和噪声点类之间的类间方差g，其中，m＝1…N，选取类间方差g最大时对应的第m个待检对象点的局部稀疏系数作为分割阈值。

进一步，利用如下公式，计算所述类间方差g，

μ(m)＝ω₁(m)·μ₁(m)+ω₂(m)·μ₂(m)

g＝ω₁(m)·(μ(m)-μ₁(m))²+ω₂(m)·(μ(m)-μ₂(m))²

其中，LSC(i)表示第i个待检对象点的局部稀疏系数。

进一步，利用如下方程式计算局部稀疏率，

其中，N_k(p)＝{o′|o′∈D,dist(p,o′)≤k-dist(p)}表示待检对象点p的K距离邻域即距离小于待检对象点p的K距离的所有对象点所组成的集合，k-dist(p)表示待检对象点p和与待检对象点p第K近的目标对象点o之间的距离，|N_k(p)表示待检对象点P的K距离邻域内包含的对象点个数，

表示待检对象点p的K距离领域中的所包含的对象点与待检对象点p的距离总和；

利用如下方程式计算裁剪因子，

其中，∑|N_k(p)|表示数据集中所有待检测点p的K距离邻域内的对象点个数总和，

表示数据集中所有待检测对象点p的K距离邻域所包含的对象点与对应待检对象点p的距离总和；

利用如下方程式计算局部稀疏系数，

其中，

表示数据集中待检对象点p的K距离邻域内包含的各个对象点的局部稀疏率与待检对象点p的局部稀疏率比值之和。

进一步，在利用局部稀疏算法处理数据集之前，先采用网格统计直方图方法进行粗去噪。

进一步，以光子计数激光雷达采集得到的原始测距数据即每个点均包括光子时间和光子斜距组成数据集，将数据集中各个点绘制在光子时间和光子斜距组成的二维坐标系中，然后对所述数据集所在的区域进行等光子时间等光子斜距的网格划分，再计算每个网格内的点数和区域内的平均点数，将点数小于平均点数的网格删除，从而完成粗去噪，其中，所述平均点数设置为数据集所包含的点数与区域内包含的所有网格个数的商值。

本发明有益的技术效果在于：

能够有效针对轻小型机载光子计数激光雷达原始测距数据，实现在地形地物条件下噪声光子的剔除；本发明的去噪方法具有较高的运算效率及精确度，适用于不同地物类型的噪声情况，能自适应的进行去噪阈值选取，实现更加精确地识别信号与噪声。

附图说明

图1为本发明的总体结构示意图；

图2为本发明的装载光子计数激光雷达的无人机拍摄的试验区域示意图，其中，(a)表示上海海洋大学实验区域，(b)表示碧海金沙实验区域；

图3为本发明的0m附近的光子回波信号示意图；

图4(a)为本发明的光子信号分布直方图示意图；

图4(b)为本发明的图4(a)光子信号分布直方图中峰值位置示意图

图5为本发明的房屋区域原始光子回波信号示意图；

图6为本发明按0.005s等光子时间、1m等光子距离进行网格划分后的统计直方图示意图；

图7为本发明的粗去噪后的结果示意图；

图8为本发明的阈值K与F值关系示意图；

图9为本发明的精去噪后的结果示意图；

图10为采用本发明的方法与原始LSC去噪方法进行去噪后，F值统计对比示意图。

具体实施方式

下面结合附图及较佳实施例详细说明本发明的具体实施方式。

传统基于密度聚类和局部距离统计的光子计数激光雷达去噪方法都是基于激光雷达点云数据噪声的处理，本发明提供了一种针对机载光子计数激光雷达原始测距数据的去噪方法，如图1所示，包括粗去噪与精去噪两个过程，首先利用网格统计直方图方法，对离散分布的噪声点进行剔除，完成粗去噪；其次，提出一种新的改进局部稀疏系数算法(LocalSparsity Coefficient，LSC)，根据光子计数激光雷达原始测距数据在水平方向上的密度大于垂直方向上的这个特点，构建基于椭圆的搜索区域，计算局部稀疏率、局部稀疏系数和裁剪因子，利用最大类间方差法自适应的计算噪声与信号的分割阈值，从而实现整个数据集的精去噪；最后选取典型区域的光子计数激光雷达观测数据进行方法验证，实验表明本发明提出的机载光子计数激光雷达去噪算法具有较高的运算效率及精确度，适用于不同地物类型的噪声情况，能自适应的进行去噪阈值选取，实现更加精确地信号与噪声地识别。具体如下：

一、粗去噪

以光子计数激光雷达采集得到的原始测距数据即每个点均包括光子时间和光子斜距组成数据集，将数据集中各个点绘制在光子时间和光子斜距组成的二维坐标系中，然后对数据集内所有点所在的区域进行等光子时间等光子斜距的网格划分，再计算每个网格内的点数和区域内的平均点数，将点数小于平均点数的网格删除，从而完成粗去噪，其中，该平均点数设置为数据集所包含的点数与区域内包含的所有网格个数的商值。

1、有效光子信号范围确定

为了直观的观察光子事件，将每个光子脉冲对应的一个或多个光子事件时间信息解算成距离信息，将每个光子的脉冲序号换算成对应的脉冲时间信息。按照激光脉冲的序列号展开，可在二维平面上得到每个光子事件的距离与脉冲时间的对应关系，也就是说可以将原始测距数据对应点(t_i,h_i)绘制在光子时间和光子斜距组成的二维坐标系中。

将剔除窗口回波噪声的数据在纵轴方向上分割成一系列的空间垂直段，分割单元的数量H_m通过如下公式计算得到，其中，h_i为每个光子回波信号的斜距信息，Δh表示纵轴垂直方向上分割单元的宽度。

然后，利用式(1)统计每个分割的垂直节段内光子回波信号的量数H_im，沿垂直方向上生成光子信号分布直方图，根据式(2)计算出分割单元的平均光子数n，使用式(3)计算每个段的中心高程，中心高程用L_i表示，沿垂直方向上使用不同段中的光子数构曲线，并使用高斯模型检测拟合曲线峰值，确定曲线的光子数量峰值位置H_max1和H_max2，以H_max1及H_max2为上下边界，分别向上向下选取大于平均光子数n的节段，最后得到的该实验区域在纵轴斜距上有效光子回波信号的范围。

2、基于网格统计直方图方法的粗去噪

将该区域的原始观测数据，在沿装载光子计数激光雷达的飞行器的飞行方向即沿轨方向按固定的距离为间隔划分，即对原始观测数据按照光子斜距所在的纵轴方向等距离、按照光子时间所在的横轴方向等时间划分为M个网格，网格数量M由式(4)所求，式中t_i表示该实验区域内每个光子回波信号的脉冲时间信息，h_i表示该实验区域内每个光子回波信号的斜距信息。统计每个网格片中离散点的数量，以及区域内的平均点数H_{ave_m}。由于信号网格内光子数量要大于该实验区域内所含网格的平均点数H_{ave_m}，因此将网格内离散点数量小于平均点数H_{ave_m}的网格剔除，完成粗去噪后。

二、精去噪

1、改进的局部稀疏算法

局部稀疏算法(LSC)是针对传统基于密度的局部离群因子检测方法(LOF)的改进，LOF算法能够检测所有形式的异常值，包括那些基于距离的算法无法检测到的异常值，但LOF算法的主要缺点在于计算可达距离，在计算待检测点p的可达距离涉及到计算p领域内所有对象的距离，并与该领域的k距离进行比较，当k领域内MinPts较大时非常耗时。而LSC算法避免了LOF中计算可达距离与局部可达密度的代价，反而计算出由领域距离导出的局部稀疏比。此外，LSC使用从领域距离就算出的裁剪因子对不可能出现离群点候选的数据对象进行剔除，缩小了需要检测数据对象的数量。

根据光子计数激光雷达原始测距数据在水平方向点的密度高于垂直方向点的密度，本发明采用水平椭圆搜索区域来替代圆形区域对LSC算法进行了改进，提高了LSC算法计算的准确性，使得信号附件离散的噪声点额能够得到更有效的识别。因此，原始测距数据中待检对象点x(t_x,h_x)和点y(t_y,h_y)之间的距离重新定义为：

其中，t为光子时间，h为光子斜距，a和b分别代表椭圆的长轴和短轴。在本发明中，a和b的值分别取经验阈值0.002和0.1。

LSC算法的基本步骤如下：

步骤1：待检对象点p的K距离：k-dist(p)

对于给定的数据集D，待检对象点p∈D，o∈D，对任意给定的自然数k，待检对象点p的K距离记为k-dist(p)，表示待检对象点p和与待检对象点p第K近的目标对象点o之间的距离，其中，待检测对象点p与距离为点P的K距离的目标对象点o之间的距离为dist(p,o)，具体公式如下，a和b的值分别取经验阈值0.002和0.1。

目标对象点o需要满足的条件为：

(1)至少存在k个对象点o′∈D\{p}，满足d(p,o′)≤d(p,o)

(2)至多存在k-1个对象点o′∈D\{p}，满足d(p,o′)<d(p,o)

其中，o′为待检对象点P的K距离邻域内的对象点；

步骤2计算待检对象点p的K距离邻域：表示距离小于或等于待检对象点p的K距离的所有对象点所组成的集合，记为N_k(p)，即：

N_k(p)＝{o′|o′∈D,dist(p,o′)≤k-dist(p)}

如计算待检对象点p的3距离邻域即为与待检对象点p第一近的对象点o₁,与待检对象点p第二近的对象点o₂，与待检对象点p第三近的对象点o₃组成点集{o₁,o₂,o₃}。

步骤3：计算待检对象点p的局部稀疏率(local sparsity rate of p，lsr_k(p))

其中，|N_k(p)|表示待检对象点P的K距离邻域内的对象点个数，由于距离待检对象点p第K近的对象点可以有多个，因此|N_k(p)|≥k；

表示待检对象点p的K距离领域中的所包含的对象点与待检对象点p的距离总和，如po₁+po₂+po₃，其中，局部稀疏率主要度量待检对象点p与周围对象的集中度，局部稀疏比较低的对象很可能成为异常值，反之亦然。

步骤4：计算待检对象点p的裁剪因子(pruning factor of p，pf)

其中，∑|N_k(p)|表示数据集中所有待检测点p的K距离邻域内的对象点个数总和，如数据集包括8个待检对象点p,计算每个待检对象点p的3距离邻域内包括对象点个数即3个，则8个待检对象点p的3距离邻域内共包含24个对象点，即∑|N_k(p)|＝24；

表示数据集中所有待检测对象点p的K距离邻域所包含的对象点与对应待检对象点p的距离总和，如数据集包括8个待检对象点p,计算每个待检对象点p的3距离邻域内包含的三个对象点与对应待检对象点p的距离之和即po₁+po₂+po₃，则8个待检对象点p的3距离邻域的距离综合为8*(po₁+po₂+po₃)。

该裁剪因子pf表示整个光子数据集中在给定的k距离领域内数据的平均密度，若lsr_k(p)<pf，即将局部稀疏比小于裁剪因子pf的待检对象点p剔除，若lsr_k(p)>pf，则将该待检对象点p加入候选集中。

步骤5：计算待检对象点p的局部稀疏系数(local sparsity coefficient of p，LSC_k(p))

其中，

表示数据集中待检对象点p的K距离邻域内包含的各个对象点的局部稀疏率与待检对象点p的局部稀疏率比值之和，|N_k(p)|表示数据集中待检对象点p的K距离邻域内包含的对象点个数。通过计算得到候选集中每一个待检对象点p唯一的局部稀疏系数值。

2、采用基于最大类间分差法(Otsu)进行分割阈值选取

信号光子的分布比噪声光子更为集中，待检对象点的局部稀疏系数中

表示待检测点p的领域内数据对象的一个稠密程度。若该值越大，表明待检测对象点p与领域内的对象不是一个群组，得到的局部稀疏系数LSC_k(p)越大，则该待检对象点p为噪声点的可能性就越大；局部稀疏系数LSC_k(p)越小表示该待检对象点p与其领域内的对象构成一个簇，则待检对象点p成为信号点的可能性越大。对于候选集中的所有待检对象点，首先按其局部稀疏系数(LSC)值从小到大进行排序，记录排序后的序列，然后利用最大类间方差法(Otsu)改进局部稀疏系数算法中LSC阈值的选取，获得分割阈值，自适应地将候选集中的光子分为信号光子和噪声光子。

最大类间方差法(Otsu)是一种自适合于双峰情况的自动求取阈值的方法，主要用于图像分割阈值的确定。假设将候选集分成信号和噪声两部分，如果光子和噪声之间的类间方差越大，说明构成候选光子数据集的两部分差别越大，而当部分光子信号错分为噪声或部分光子噪声错分为信号都会导致两部分之间的类间方差变小。因此，使类间方差最大的分割意味着错分概率最小。Otsu方法的基本原理如下所述：

其中，N是候选集中的光子数，m是已排序光子的序号，范围从1-N。假设第m个光子构成“信号”类，其余光子构成“噪声”类，属于信号的光子数占整个候选集光子数的比例记为ω₁(m)，其平均的LSC值为μ₁(m)；属于噪声的光子数占整个候选集光子数的比例记为ω₂(m)，其平均的LSC值为μ₂(m)；此时整个候选集的总平均LSC值为μ(m)，类间方差值记为g。例如候选集中有100个点，每个点都有求得的唯一LSC值，将LSC值按从小到大的顺序排序，现在假设第(m＝1)个光子为信号，其余99个光子为噪声，此时求得一个类间方差值g1，第(m＝2)个光子为信号即第一、二个光子为信号，其余98个光子为噪声，此时求得一个类间方差值g2，....以此类推，循环计算得到100个类间方差值g，其中最大的那个类间方差值g所对应的LSC值即为噪声与信号的分割阈值。

在候选集中，如果待检对象点的LSC值小于分割阈值，则将其标记为信号光子；否则，将其归类为噪声光子，从而完成精去噪。

在候选集中，如果待检对象点的LSC值小于分割阈值，则将其标记为信号光子；否则，将其归类为噪声光子，从而完成精去噪。

基于密度的DBSCAN去噪算法通过求得待检测点p在其构建的圆形搜索区域内点的个数作为点P的一个密度值，基于距离的KNN主要计算待检测点p与周围点的距离，选取距离p点最近的K个点之和作为P的距离值。两种算法主要适用于地形平坦区域，但在一些陡峭的地形及复杂的地物混合区域内，去噪效果稍差。相较于DBSCAN于KNN的去噪方法，本发明的去噪算法主要通过计算数据集中待检测点与其邻域内点的距离与数量求得其局部稀疏系数值，综合考虑了待检测点p与其周围点的数量和距离，能够适用于不同地物类型下的噪声情况，自适应的进行去噪阈值选取，实现更加精确地信号与噪声地识别。

为了验证本发明的去噪方法的可行性，我们采用的光子计数激光雷达是由中国科学院上海技术物理研究所研制，单波长532nm的工作模式，采用椭圆振镜的扫描作业模式，振镜扫描频率10k/Hz，激光重频500kHZ，单脉冲能量300nJ。单光子探测器采用的是滨松公司的H10721光电倍增管(PMT)，最小时间测量分辨率为64ps，设备总重量为6kg，可搭载在四旋翼无人机等轻小型飞行平台上开展作业。在上海海洋大学及上海市崇明区碧海金沙开展无人机载光子计数激光雷达的飞行实验，如图2所示。实验飞行高度为100m，飞行速度行4m/s，采集了碧海金沙区域房屋、沙滩、浅海水体及学校操场、泳池、河道、房屋等地物的光子计数激光雷达数据。选取碧海金沙的房屋区域为本文实验研究对象，从影像中可看到该区域的房屋较为规则，便于开展去噪精度评价分析。

粗去噪：

将光子计数激光雷达获取的原始测距数据绘制在光子时间和光子斜距组成的二维坐标系中，如图3所示，图中每一个黑色点都表示一个光子事件信号，也就是说可以将原始测距数据对应点(t_i,h_i)绘制在光子时间和光子斜距组成的二维坐标系中，且从图中能直观看到光子计数激光雷达的原始测距数据中存在大量噪声。回波信号在纵轴测距上可表示为：0-50m为激光回波在扫描反射镜上产生的窗口回波噪声信号；100m附近为密集的点为有信号部分；其余位置为太阳的背景噪声、系统暗计数等所产生的噪声。

然后，在纵轴的距离方向上按Δh＝1m进行垂直节段分割，并按照式(16)统计每个分割的垂直节段内光子回波信号的量数H_im，沿垂直方向上生成如图4(a)所示的光子信号分布直方图，根据式(2)计算出分割单元的平均光子数n，如图4(a)中虚线所示，使用式(3)计算每个段的中心高程，中心高程用L_i表示，沿垂直方向上使用不同段中的光子数构曲线，并使用高斯模型检测拟合曲线峰值，确定曲线的光子数量峰值位置H_max1和H_max2，以H_max1及H_max2为上下边界，分别向上向下选取大于平均光子数n(图4(b)中虚线所示)的节段，最后得到的该实验区域在纵轴斜距上，有效光子回波信号的范围在[86，105]。

确定该实验区域有效光子信号范围后，由于激光器的椭圆扫描振镜频率为10Hz/s，即1s获得10圈的光子回波信号数据，因此选取该范围内0.1s即旋转振镜扫描所获得的一圈的原始光子回波信号数据作为本发明去噪实验数据，如图5所示。采用基于网格统计直方图方法进行噪声的初步去除。

如图6所示，本发明按0.005s的时间间隔进行等间隔的划分，再在纵轴斜距方向上按1m的距离间隔进行等距离的划分，统计每个网格片中离散点的数量，形成网格-光子数量的统计直方图，图中的虚线为网格片的平均光子数H_{ave_m}。由于信号网格内光子数量要大于该实验区域内所含网格的平均光子数H_{ave_m}，因此将网格内光子数量小于平均光子数H_{ave_m}的网格剔除，粗去噪后的结果如图7所示。

精去噪：

在本发明的研究中，通过选取不同的初始阈值K，并利用人工判读加混淆矩阵的方法对不同初始K值下的去噪结果进行分析，得到不同阈值K与混淆矩阵中召回率和精确率的调和平均值(F)的关系如图8所示。从图9中可看出当阈值K取4时，此时的F值最高为0.967，去噪的结果最好。利用椭圆搜索区域计算粗去噪后的光子数据集中每个光子在K为4时的局部稀疏率Lsr及粗去噪后光子数据集的裁剪因子pf。本文实验数据计算得到裁剪因子pf值为3065，将局部稀疏率小于裁剪因子pf的光子作为离散的噪声点剔除，大于裁剪因子pf的光子则放入候选集中，最后计算得到候选集中每个光子的局部稀疏系数LSC，利用最大类间方差法(Otsu)将LSC大于分割阈值的光子作为噪声点去除，最终得到精去噪后的光子数据集如图9所示。

结果与分析：

根据目前现有条件及本发明单光子激光雷达数据的自身特点，绝对的点云去噪精度的评价存在困难。因此，本发明将实验的去噪结果与人工的判读结果进行定量分析，将空间上明显的离散点标记为噪声，同时为了减少人工判读的主观误差，将三次判读后统计的平均值认定为真值。三个评价指标包括精确率(P)、召回率(R)以及召回率和精确率的调和平均值(F)，通过以下公式计算得出：

其中，TP表示正确识别的真信号光子数，FN表示误分类噪声光子的真信号光子数，FP表示误分类为信号光子的真噪声光子数。精确率(P)表示通过改进LSC去噪方法分类为信号的光子中有多少是真正的信号光子，召回率(R)表示通过改进LSC去噪算法分类为信号光子占真正信号光子的比重。F值为精确率(P)与召回率(R)的调和平均值，用来度量分类结果的准确性，F的取值范围从0到1，1代表去噪的结果最好，0代表去噪的结果最差。

表1列出了实验区域内4组不同地物的去噪结果的三个评价指标，图10为实验区域内4组不同地物改进LSC与未改进LSC去噪方法F值统计图，数据编号Data1到Data4分别为碧海金沙房屋、学校操场、学校房屋、学校渔政船。从图10中可得出，改进LSC算法的F值总体上要高于原始LSC算法的F值，4组实验数据的改进LSC算法的F值均优于0.9，最高达到0.968，在地表平坦，地物类型单一的房屋及操场区域改进LSC算法的F值大于0.95，去噪效果较好，学校渔政船附近同时存在水体、植被、船只等不同地物，噪声的疏密分化严重，F值为0.929，去噪效果稍差。

表1不同区域数据LSC与改进LSC去噪方法的3个评价指标

本发明针对机载轻小型单光子激光雷达原始观测数据，提出了基于椭圆搜索区，并引入最大类间方差法(OTSU)进行阈值的选取来改进LSC的去噪算法。采用人工判读加混淆矩阵的分析方法，利用混淆矩阵中精确率(P)与召回率(R)的调和平均值F对去噪结果进行定量评估。结果表明改进的LSC算法的总体去噪精度优于原始LSC算法，能有效处理不同地物条件下的光子计数激光雷达原始观测数据，总体的去噪精度优于0.9。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims (6)

1.一种基于改进局部稀疏算法的去噪方法，其特征在于：用于光子计数激光雷达采集得到的数据集，利用局部稀疏算法，结合椭圆搜索计算数据集中的各个待检对象点的裁剪因子和局部稀疏率，将局部稀疏率大于裁剪因子的对应待检对象点保留下来，加入候选集，然后，计算所述候选集内部各个待检对象点的局部稀疏系数，再利用最大类间方差法找出分割阈值，将局部稀疏系数小于分割阈值的对应待检对象点保留下来，完成对数据集的去噪。

2.根据权利要求1所述的基于改进局部稀疏算法的去噪方法，其特征在于：将候选集中的各个待检对象点按照各自局部稀疏系数的升序进行排列，序号为1-N，记第m个待检对象点之后的待检对象点为噪声点，其余的待检对象点为信号点，计算此时的信号点类和噪声点类之间的类间方差g，其中，m＝1…N，选取类间方差g最大时对应的第m个待检对象点的局部稀疏系数作为分割阈值。

3.根据权利要求2所述的基于改进局部稀疏算法的去噪方法，其特征在于：利用如下公式，计算所述类间方差g，

μ(m)＝ω₁(m)·μ₁(m)+ω₂(m)·μ₂(m)

g＝ω₁(m)·(μ(m)-μ₁(m))²+ω₂(m)·(μ(m)-μ₂(m))²

其中，LSC(i)表示第i个待检对象点的局部稀疏系数。

4.根据权利要求1所述的基于改进局部稀疏算法的去噪方法，其特征在于：利用如下方程式计算局部稀疏率，

其中，N_k(p)＝{o′|o′∈D,dist(p,o′)≤k-dist(p)}表示待检对象点p的K距离邻域即距离小于待检对象点p的K距离的所有对象点所组成的集合，k-dist(p)表示待检对象点p和与待检对象点p第K近的目标对象点o之间的距离，|N_k(p)|表示待检对象点P的K距离邻域内包含的对象点个数，

表示待检对象点p的K距离领域中的所包含的对象点与待检对象点p的距离总和；

利用如下方程式计算裁剪因子，

其中，∑|N_k(p)|表示数据集中所有待检测点p的K距离邻域内的对象点个数总和，

表示数据集中所有待检测对象点p的K距离邻域所包含的对象点与对应待检对象点p的距离总和；

利用如下方程式计算局部稀疏系数，

其中，

表示数据集中待检对象点p的K距离邻域内包含的各个对象点的局部稀疏率与待检对象点p的局部稀疏率比值之和。

5.根据权利要求1所述的基于改进局部稀疏算法的去噪方法，其特征在于：在利用局部稀疏算法处理数据集之前，先采用网格统计直方图方法进行粗去噪。

6.根据权利要求5所述的基于改进局部稀疏算法的去噪方法，其特征在于：以光子计数激光雷达采集得到的原始测距数据即每个点均包括光子时间和光子斜距组成数据集，将数据集中各个点绘制在光子时间和光子斜距组成的二维坐标系中，然后对所述数据集所在的区域进行等光子时间等光子斜距的网格划分，再计算每个网格内的点数和区域内的平均点数，将点数小于平均点数的网格删除，从而完成粗去噪，其中，所述平均点数设置为数据集所包含的点数与区域内包含的所有网格个数的商值。

Images