CN115222949A - 一种基于激光卫星数据的浅海区域光子去噪方法 - Google Patents

一种基于激光卫星数据的浅海区域光子去噪方法 Download PDF

Info

Publication number
CN115222949A
CN115222949A CN202211147585.0A CN202211147585A CN115222949A CN 115222949 A CN115222949 A CN 115222949A CN 202211147585 A CN202211147585 A CN 202211147585A CN 115222949 A CN115222949 A CN 115222949A
Authority
CN
China
Prior art keywords
photon
distance
shallow sea
neural network
oval
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
CN202211147585.0A
Other languages
English (en)
Other versions
CN115222949B (zh
Inventor
孟文君
李�杰
唐秋华
刘森波
徐文学
陈鲁宾
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202211147585.0A priority Critical patent/CN115222949B/zh
Publication of CN115222949A publication Critical patent/CN115222949A/zh
Application granted granted Critical
Publication of CN115222949B publication Critical patent/CN115222949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

一种基于激光卫星数据的浅海区域光子去噪方法，属于激光卫星数据信号处理领域。该方法包括以下步骤：通过构建椭圆形搜索区域确定参数统计范围；通过统计搜索范围内的点密度、点间平均距离、点间K=3距离、点间K=5距离确定BP神经网络的训练参数；当所述BP神经网络训练完成之后即可用于浅海区域光子数据进行去噪处理。本发明针对搭载光子计数激光雷达的卫星获取的激光卫星数据进行去噪，具有运算速度快，去噪效果好，数据处理连贯等特点。通过数据去噪可获取高精度、小半径的光子数据，在例如岛礁周边、近海沿岸的浅海区域可以实现精度、效率及经济成本的测绘，具有很大的技术优势和发展前景。

Description

一种基于激光卫星数据的浅海区域光子去噪方法
技术领域
本发明涉及一种数据的去噪处理方法，具体涉及一种基于激光卫星数据的浅海区域光子去噪方法，属于激光卫星数据信号处理领域。
背景技术
激光卫星数据是研究海洋，尤其是研究海底状况的重要手段。光子计数激光雷达系统采用更加灵敏的单光子探测器，具有更高的脉冲重复频率，更高的精度和更小的激光足印，在岛礁周边的浅海区域可以实现精度、效率及经济成本的最优选择，具有很大的技术优势和发展前景。为了获取更好的技术效果，对激光卫星数据进行去噪处理尤为重要。现有针对光子数据处理的研究主要集中在去噪问题上，现存的去噪算法中可分为三类：基于局部统计参数的去噪算法、基于栅格转换的去噪算法和基于密度聚类去噪算法。其中基于局部统计参数和基于密度聚类算法的研究较多，但其存在聚类参数难以确定的问题；基于栅格转换的去噪算法则会出现精度损失等问题；目前基于神经网络的去噪算法研究较少。
发明内容
本发明目的是提供了一种基于激光卫星数据的浅海区域光子去噪方法，以克服现有技术中的不足。
本发明通过构建椭圆形搜索区域确定参数统计范围；通过统计搜索范围内的点密度、点间平均距离、点间K=3距离、点间K=5距离确定BP神经网络的训练参数；通过训练BP神经网络，对例如岛礁周边、近海沿岸的浅海区域光子点云数据进行去噪处理。
本发明采用的具体技术方案如下：
一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：
步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；
步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；
步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；
步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；
所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；
所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K距离是按照K邻近距离法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值。
所述BP神经网络输出层采用Sigmoid激活函数，该函数是平滑的阶梯函数，处处可导，可以将任何值转换为0~1概率，常用于二分类。
所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。
有益效果
本发明首先利用了椭圆区域来对光子进行划分与统计，并且通过大量实验提炼出了以上四种关键参数，基于此可建立神经网络，从而实现了浅海区域的光子数据去噪处理，本技术方案具有运算速度快，去噪效果好，数据处理连贯等特点。
本发明针对搭载光子计数激光雷达的激光卫星数据，该数据可获取高精度、小半径的光子数据，在例如岛礁周边、近海沿岸的浅海区域可以实现精度、效率及经济成本最优的测绘，具有很大的技术优势和发展前景。
附图说明
图1是本发明的方法流程图。
图2是本发明采用的BP神经网络结构简图。
具体实施方式
下面结合附图进一步说明本发明的过程。
如图1所示，一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：
步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；
步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；
步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；
步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；
所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；
所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K距离是按照K邻近距离法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值。
BP神经网络是目前研究最多、应用最广泛的前馈神经网络。简单的BP神经网络包括输入层、隐含层和输出层三部分，其中隐含层可以有多层，各层节点之间通过权值进行连接。
所使用的BP神经网络输出层采用Sigmoid激活函数，该函数是平滑的阶梯函数，处处可导，可以将任何值转换为0~1概率，常用于二分类。
所使用的BP神经网络的训练包括正向传播和反向反馈两个训练过程；其中正向传播是输入数据通过输入层和隐含层按各层节点权重计算，输出预测结果；反向反馈过程是将预测结果与真实结果对比，通过误差梯度下降法调整权重；通过正向传播和反向反馈两个过程，按网络运算顺序，逐层固定权重迭代运算，直至预测结果与真实结果趋近一致，训练完成。BP神经网络的结构简图如图2所示。将以上步骤2所得数据作为输入，即可用于BP神经网络的训练。
所述的BP神经网络具体运算公式如公式(1)-公式(3)所示，其中f(x)为Sigmoid激活函数表达式，当只有一层隐含层的情况下，隐含层节点表示为a j ，由输入层到隐含层的权重in_w ij 和真值与预测值之间的偏移量b j 通过加权运算得到；由隐含层到输出层的权重out_w ij 和偏移量b j 加权运算得到输出层节点y j 。
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
通过目视解译给出一组准确的分类的结果作为训练集，用于BP神经网络的训练，并用测试集测试检验分类器的效果。
所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。

Claims (2)

1.一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：
步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；
步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；
步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；
步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；
所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；
所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K距离是按照K邻近距离法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值；
所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。
2.如权利要求1所述的基于激光卫星数据的浅海区域光子去噪方法，其特征是所述BP神经网络输出层采用Sigmoid激活函数。
CN202211147585.0A 2022-09-21 2022-09-21 一种基于激光卫星数据的浅海区域光子去噪方法 Active CN115222949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211147585.0A CN115222949B (zh) 2022-09-21 2022-09-21 一种基于激光卫星数据的浅海区域光子去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211147585.0A CN115222949B (zh) 2022-09-21 2022-09-21 一种基于激光卫星数据的浅海区域光子去噪方法

Publications (2)

Publication Number Publication Date
CN115222949A true CN115222949A (zh) 2022-10-21
CN115222949B CN115222949B (zh) 2022-12-06

Family

ID=83617384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211147585.0A Active CN115222949B (zh) 2022-09-21 2022-09-21 一种基于激光卫星数据的浅海区域光子去噪方法

Country Status (1)

Country Link
CN (1) CN115222949B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115390047A (zh) * 2022-10-27 2022-11-25 中国科学院空天信息创新研究院 星载光子计数激光雷达数据去噪滤波方法及装置
CN115825920A (zh) * 2023-02-10 2023-03-21 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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104613944A (zh) * 2015-01-27 2015-05-13 电子科技大学 一种基于gwr和bp神经网络的分布式水深预测方法
US20180081044A1 (en) * 2016-09-19 2018-03-22 U.S.A. as represented by the Administrator of the Natioanl Aeronautics and Space Administration Lidar System Noise Reduction Combining Circular Polarization Laser Output with Photon Sieve Optics in the Receiver
CN111524084A (zh) * 2020-05-13 2020-08-11 曹彬才 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法
CN111665517A (zh) * 2020-05-29 2020-09-15 同济大学 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
CN112819830A (zh) * 2021-01-24 2021-05-18 南京林业大学 基于深度学习与机载激光点云的单株树冠分割方法
CN113205462A (zh) * 2021-04-06 2021-08-03 武汉大学 一种基于神经网络学习先验的光子反射率图像去噪方法
CN113780085A (zh) * 2021-08-11 2021-12-10 同济大学 一种近海单光子去噪分类方法
CN114355367A (zh) * 2022-01-10 2022-04-15 中国人民解放军61540部队 一种基于星载单光子激光雷达数据测量浅海水深的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104613944A (zh) * 2015-01-27 2015-05-13 电子科技大学 一种基于gwr和bp神经网络的分布式水深预测方法
US20180081044A1 (en) * 2016-09-19 2018-03-22 U.S.A. as represented by the Administrator of the Natioanl Aeronautics and Space Administration Lidar System Noise Reduction Combining Circular Polarization Laser Output with Photon Sieve Optics in the Receiver
CN111524084A (zh) * 2020-05-13 2020-08-11 曹彬才 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法
CN111665517A (zh) * 2020-05-29 2020-09-15 同济大学 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
CN112819830A (zh) * 2021-01-24 2021-05-18 南京林业大学 基于深度学习与机载激光点云的单株树冠分割方法
CN113205462A (zh) * 2021-04-06 2021-08-03 武汉大学 一种基于神经网络学习先验的光子反射率图像去噪方法
CN113780085A (zh) * 2021-08-11 2021-12-10 同济大学 一种近海单光子去噪分类方法
CN114355367A (zh) * 2022-01-10 2022-04-15 中国人民解放军61540部队 一种基于星载单光子激光雷达数据测量浅海水深的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JULIAN TACHELLA 等: "Bayesian 3D Reconstruction of Subsampled Multispectral Single-Photon Lidar Signals", <IEEE TRANSACTIONS ON COMPUTATIONAL IMAGING> *
孟文君 等: "基于改进DBSCAN算法的ICESat-2海面点数据去噪处理及精度评估", 《海洋通报》 *
杜娟 等: "基于卫星立体双介质的浅海水深测量方法", 《现代电子技术》 *
陆大进 等: "基于卷积神经网络的ICESat-2光子点云去噪分类", 《地球信息科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115390047A (zh) * 2022-10-27 2022-11-25 中国科学院空天信息创新研究院 星载光子计数激光雷达数据去噪滤波方法及装置
CN115390047B (zh) * 2022-10-27 2023-01-13 中国科学院空天信息创新研究院 星载光子计数激光雷达数据去噪滤波方法及装置
CN115825920A (zh) * 2023-02-10 2023-03-21 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

Also Published As

Publication number Publication date
CN115222949B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN115222949B (zh) 一种基于激光卫星数据的浅海区域光子去噪方法
CN112308019B (zh) 基于网络剪枝和知识蒸馏的sar舰船目标检测方法
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
CN109410917A (zh) 基于改进型胶囊网络的语音数据分类方法
CN112818969B (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN108960421B (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
CN112733447B (zh) 一种基于域自适应网络的水下声源定位方法及系统
Tun et al. Remote sensing data classification using a hybrid pre-trained VGG16 CNN-SVM classifier
Ni et al. LPI radar waveform recognition based on multi-resolution deep feature fusion
CN112367130A (zh) 一种无线网络信号传输强度计算方法及计算机存储介质
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN114386466B (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
Jin et al. Defect identification of adhesive structure based on DCGAN and YOLOv5
CN113064133B (zh) 一种基于时频域深度网络的海面小目标特征检测方法
Yin et al. An enhanced lightweight convolutional neural network for ship detection in maritime surveillance system
Yanchen Sonar image target detection and recognition based on convolution neural network
Chang et al. Mlsdnet: Multi-class lightweight sar detection network based on adaptive scale distribution attention
CN115540832A (zh) 基于VGGNet的卫星测高海底地形校正方法及系统
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
CN114818789A (zh) 一种基于数据增强的船舶辐射噪声识别方法
Shi et al. Fast classification and detection of marine targets in complex scenes with YOLOv3
CN113158806A (zh) 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN111965601A (zh) 一种基于核极限学习机的水下声源被动定位方法
Meng et al. Comparison and accuracy evaluation of denoising methods for ICESat-2 shallow-sea photon point clouds
CN117471575B (zh) 基于bo-lstm神经网络模型的台风浪波高预报方法

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