CN115422981B - 面向单频机载激光测深数据的水陆分类方法、系统及应用 - Google Patents
面向单频机载激光测深数据的水陆分类方法、系统及应用 Download PDFInfo
- Publication number
- CN115422981B CN115422981B CN202211372891.4A CN202211372891A CN115422981B CN 115422981 B CN115422981 B CN 115422981B CN 202211372891 A CN202211372891 A CN 202211372891A CN 115422981 B CN115422981 B CN 115422981B
- Authority
- CN
- China
- Prior art keywords
- land
- water
- waveform
- classification
- area
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明属于海洋测绘数据处理与识别技术领域,公开了面向单频机载激光测深数据的水陆分类方法、系统及应用。该方法利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类;基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征实现内陆水域点识别;进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类。本发明为解决现有技术方案难以满足高自动化、适用性强等需求,本发明面向单频全波形ALB系统采集数据,在无需先验样本和其他辅助信息的前提下,实现高自动化、高精度、高效率的水陆分类。
Description
技术领域
本发明属于海洋测绘数据处理与识别技术领域,尤其涉及面向单频机载激光测深数据的水陆分类方法、系统及应用。
背景技术
全波形机载激光测深(ALB)是一种集激光测距仪、全球导航卫星系统(GNSS)和惯性导航系统(INS)等多种测量传感器于一体的新技术,可快速获得水上水下目标的回波波形及其对应点云数据。相比传统船载声学单波束测量、多波束测量等手段,ALB系统具有覆盖面广、测点密度高、高效率、高机动性、低消耗等优点,非常适合水质较好近岸浅水区域的水陆一体化测绘。尤其在浅水、暗礁密布及船只无法抵近测量区域,ALB已成为进行高效率水深测量的最有效手段,具有广阔的应用和发展前景。当前已发展了多频ALB系统和单频ALB系统,比较来说,单频ALB系统具有设备轻便、耗费低等优点,且随着无人机技术的发展应用,单频ALB成为产品开发的新趋势。
ALB水陆分类是根据数据表达将目标识别为陆地或水域,使之与客观世界的水陆分布相统一的过程。激光束在陆地和水域的传播特性具有明显差异,包括水气界面的折射效应、水气空间的传播速度差异、水气空间的散射传播差异等。因此,精准水陆分类是基于ALB数据研究海洋和陆地的关键步骤,对海岸带管理、测深误差改正、海底底质分类等工作具有重要意义。由于单频ALB系统缺少近红外等水陆分类敏感波段,且海岸带码头、沙滩、礁石等地表导致点云复杂化,面向单频ALB系统的高精度水陆分类存在诸多难题。
当前针对全波形ALB系统的水陆分类技术方案主要包括多频ALB水陆分类和单频ALB水陆分类。多频ALB(搭载近红外、绿通道或搭载近红外、红、绿通道)提供了表征水域和陆域差异的充足波段信息,增加波段可以提高水陆分类精度,但也增加了ALB系统的复杂性和成本。目前公开的单频ALB(仅搭载绿通道)水陆分类仅两种:①提取ALB波形特征,利用大量人工样本和随机森林进行特征筛选并进一步实现水陆分类;②利用点云确定水面平均高程,将明显高于或低于水面高程的点云作为训练样本结合支持向量机(SVM)完成水陆交界区域的海陆分类。面向单频ALB的专利方案主要集中在波形去噪(中国专利,CN110133670A,公开日2019年08月16日)、海面构建(中国专利,CN113156393A,公开日2021年07月23日)、数据配准(中国专利,CN113837326A,公开日2021年12月24日),仍然缺少适合复杂海岸带的高精度、高自动化的单频ALB水陆分类有效手段。
通过上述分析,现有技术存在的问题及缺陷为:
(1)单频ALB系统的设备参数、环境、目标的几何状态和物理属性等因素都会影响回波波形以及对应的点云,使数据存在诸多不确定性。
(2)多频ALB水陆分类或影像辅助的分类不适用单频ALB系统,现有的单频ALB水陆分类方法需要大量先验样本自动化程度低,难以适用于内陆水存在的复杂区域;获得的数据准确度低。因此,亟需发明一种适用于复杂海岸带的、无需先验样本即可实现单条带ALB数据的高精度水陆分类技术方案。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了面向单频机载激光测深(ALB)数据的水陆分类方法、系统及应用。
所述技术方案如下:该面向单频机载激光测深数据的水陆分类方法包括以下步骤:
S1,利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类;
S2,基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征实现内陆水域点识别;
S3,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类。
在步骤S1前,还需进行:提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差、独立波峰数五个波形特征;
回波波形中首次回波的振幅Am、面积Ar、方差V、回波波形的尾部噪声N以及独立波峰的个数PC用于反映回波波形的形状,对应回波波形特征的表达式如下:
式中,P代表首次回波内的采样点回波强度,、分别代表首次回波振幅点左侧和右侧的回波强度达到时对应的时刻,intensity代表整个波形的采样点回波强度,peak代表回波波峰;
每个ALB测深点的特征数据表达为{x,y,z,PC,N,Am,Ar,V},其中x,y,z为该点的三维坐标。
在步骤S1中,利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类的步骤包括:
(1)海面点粗提取;
双波峰波形点云的高程统计直方图呈现明显的单峰分布,根据其高程直方图频数最大的位置确定海面高程,粗略海面点云集合CS由下式确定:
(1)
式中,csp代表条带内的点,代表点CSP的高程,H为直方图频数最大位置的海面高程,为海面高程变化阈值;
(2)波形特征直方图曲线拟合;
绘制回波波形的尾部噪声、首次波峰振幅、面积和方差的波形特征直方图,以特征值为对应直方图的自变量x,以频数为因变量y,利用移动最小二乘拟合波形特征直方图曲线;拟合公式(2)如下:
(2)
(3)
(4)
式中:为线性基函数,,;和为根据ALB波形特征值计算得到的系数矩阵,根据式(3)和(4)计算获得;为处的样条权函数,设,的计算公式如下:
(5)
(3)基于波形特征阈值的海面点精提取;
计算每个波形特征直方图的拟合曲线中水域统计峰向陆域统计峰过渡的首个极小值,将对应的特征值分别作为海面精提取阈值;遍历点集CS,当波形特征满足公式(6)的阈值要求时,判定该点为海面点,否则判定该点为内陆点云;
(6)
式中,fsp代表CS中的点,分别代表点fsp的波形背景噪声以及首次回波的振幅、面积、方差。
在步骤S2中,基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征识别内陆水域点,具体包括以下步骤:
步骤1,内陆水提取阈值和高程方差计算;
对每个波形特征直方图,将海面提取阈值和拟合曲线最大值位置的平均值作为内陆水提取阈值;FS的补集点云为CFS,根据平面坐标,以参数w为格网大小,以格网内点云高程最大值为像元值构建距离图像,并以该距离图像3×3窗口的像元值方差构建方差图像;
步骤2,连通区构建;
遍历CFS中的点,当其波形特征满足内陆水提取阈值要求,且所在格网的高程方差小于阈值时,标记该格网;以八邻域是否连通为依据对标记格网构建连通区;
步骤3,内陆水域点确定;
对于第个连通区,计算连通区平均高程、连通区面积以及连通区外3×3邻域的平均高程;当第个连通区满足公式(7)时,认为该连通区内的点为内陆水域点,否则为陆地点;
(7)
式中,代表连通区中的像元,为连通区面积阈值。
在步骤S3中,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类包括以下步骤:
步骤1,点云栅格化;
以全部点云的最大值和最小值为地理参考、w为格网大小、格网内最大高程为格网值将已分类的水域和陆域点云分别栅格化,同时构建空白类别栅格;
步骤2,类别离群点重分类;
对于空白类别栅格中某位置的像元,当其3×3邻域内的陆地栅格和水域栅格均≥5时为海面和海底共存,分类为水域;否则,根据3×3邻域内的水域栅格和陆地栅格数量,采用投票法将当前像元分类为数量多的类别;
步骤3,海底点重分类;
对陆地栅格进行连通分析,计算连通区的平均高程,并计算连通区外3×3邻域水域栅格的平均高程;当时,认为当前连通区为水域;
根据最终的分类栅格标记点云及其对应的激光束,完成ALB水陆点云分类。
本发明的另一目的在于提供一种实现所述面向单频机载激光测深数据的水陆分类方法的面向单频机载激光测深数据的水陆分类系统,该面向单频机载激光测深数据的水陆分类系统包括:
波形特征提取模块,用于提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差和独立波峰数五个波形特征;
海陆分类模块,用于双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,实现海陆分类;
内陆水提取模块,用于构建波形特征阈值和高程方差连通区,根据连通区与其邻域几何关系提取内陆水;
优化分类结果模块,用于利用栅格化邻域分析方法优化分类结果。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的面向单频机载激光测深数据的水陆分类方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的面向单频机载激光测深数据的水陆分类方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施所述的面向单频机载激光测深数据的水陆分类方法。
本发明的另一目的在于提供一种实施所述的面向单频机载激光测深数据的水陆分类方法的全波形机载激光测深系统在浅水、暗礁密布及船只无法抵近测量区域水深测量上的应用。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明所要保护的技术方案以及研发过程中的结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果,具体描述如下:针对单频ALB系统缺少近红外等水陆分类敏感波段,且海岸带码头、沙滩、礁石等地表导致点云复杂化,现有技术方案难以满足高自动化、适用性强等需求,本发明面向单频全波形ALB系统采集数据,在无需先验样本和其他辅助信息的前提下,实现高自动化、高精度、高效率的水陆分类。
针对现有公开方法中存在的上述技术问题,本发明提出了一种面向单频机载激光测深数据的水陆分类方法,设计合理,解决了单频ALB数据波段信息少、难以适用复杂海岸带水陆分类等问题。该分类方法能够在充分考虑不同地物波形和几何特征的前提下有效实现水陆分类,对于海岸、海岛、具有内陆水等复杂区域具有较好的适用性。第二、把技术方案看作一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明在南海蜈支洲岛两个约200万点云量条带进行了试验,总体精度平均达到了99.25%,相比支持向量机(97.05%)、随机森林(99.00%)、模糊C均值聚类(87.75%)方法分别提高了2.2%、0.25%、11.55%;且提出方案的运行时间不到2分钟,效率最快。证明在无需提供先验样本的情况下,提出方法是一种高精度、高效率的水陆分类方法,可以有效解决单频机载激光测深数据在复杂海岸带区域的水陆分类难题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的面向单频机载激光测深数据的水陆分类方法流程图;
图2是本发明实施例提供的面向单频机载激光测深数据的水陆分类方法原理图;
图3是本发明实施例提供的双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值实现海陆分类流程图;
图4是本发明实施例提供的构建波形特征阈值和高程方差连通区,根据连通区与其邻域几何关系提取内陆水流程图;
图5是本发明实施例提供的利用栅格化邻域分析方法优化分类结果,提高分类精度流程图;
图6是本发明实施例提供的面向单频机载激光测深数据的水陆分类系统示意图;
图7是本发明实施例提供的波形特征提取示意图;
图8(a)是本发明实施例提供的波形特征直方图拟合曲线和提取阈值中噪声与频数关系图;
图8(b)是本发明实施例提供的波形特征直方图拟合曲线和提取阈值中首次波峰振幅与频数关系图;
图8(c)是本发明实施例提供的波形特征直方图拟合曲线和提取阈值中首次波峰面积与频数关系图;
图8(d)是本发明实施例提供的波形特征直方图拟合曲线和提取阈值中首次波峰方差与频数关系图;
图9是本发明实施例提供的栅格化邻域分析优化水陆分类结果图;
图10是本发明实施例提供的南海蜈支洲岛两个条带的水陆分类结果图;
图中:1、波形特征提取模块;2、海陆分类模块;3、内陆水提取模块;4、优化分类结果模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
一、解释说明实施例:
沿海地区精确的水陆分类是机载激光测深(ALB)水文研究和地形图制作的前提。地物复杂的波形特征和几何特征导致单频ALB系统水陆分类困难。
本发明实施例提供一种面向单频机载激光测深数据的水陆分类方法包括以下步骤:
S1,利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类;
S2,基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征实现内陆水域点识别;
S3,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类。
在一优选实施例中,在步骤S1前,还需进行:提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差以及独立波峰数五个波形特征。
示例性地,如图1所示,本发明实施例提供的一种基于波形特征统计和邻域分析的水陆分类新方案。即面向单频机载激光测深数据的水陆分类方法包括以下步骤:
S101,利用双峰波形点云的高程区间和波形特征直方图计算水陆分类阈值,并由粗到精地提取海面点;
S102,基于水陆分类波形特征阈值、高程方差和连通区域几何特征实现内陆水域点识别;
S103,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类结果。该方案可为ALB数据的全自动处理提供一种有效的技术途径。
实施例1
如图2所示,本发明实施例提供一种面向单频机载激光测深数据的水陆分类方法包括以下步骤:
步骤1:提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差以及独立波峰数五个波形特征;
步骤2:双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,实现海陆分类;
步骤3:构建基于波形特征阈值和高程方差的同质连通区,根据连通区与其邻域几何关系提取内陆水;
步骤4:利用栅格化邻域分析方法优化分类结果,提高分类精度。
实施例2
基于本发明实施例1记载的面向单频机载激光测深数据的水陆分类方法,进一步优选地,如图3所示,在步骤2中,双峰波形点云的高程区间和波形特征直方图拟合曲线得到的水陆分类阈值,实现海陆分类的步骤如下:
S201:海面点粗提取;
绘制波形为双波峰波形点云的高程统计直方图,根据直方图频数最大的位置确定海面高程H。由于海面波浪、潮汐变化以及ALB系统测量不确定度等因素影响,条带内海面点云的高程在区间内变化。故粗略海面点云集合CS可由式(1)确定。
(1)
式中,csp代表条带内的点,代表点csp的高程,H为直方图频数最大位置的海面高程,为海面高程变化阈值;
S202:波形特征直方图曲线拟合;
绘制回波波形的尾部噪声、首次波峰振幅、面积和方差的波形特征直方图,以特征值为对应直方图的自变量x,以频数为因变量y,利用移动最小二乘拟合波形特征直方图曲线,拟合公式如下:
(2)
(3)
(4)
式中:为线性基函数,,;和为根据ALB波形特征值计算得到的系数矩阵,根据式(3)和(4)计算获得;为处的样条权函数,设,的计算公式如下:
(5)
S203:基于波形特征阈值的海面点精提取;
计算每个波形特征直方图的拟合曲线中水域统计峰向陆域统计峰过渡的首个极小值,将其对应的特征值分别作为海面精提取阈值。
遍历点集CS,当波形特征满足阈值要求(公式(6))时判定该点为海面点,否则判定该点为内陆点云。
(6)
式中,fsp代表CS中的点,分别代表点fsp的波形背景噪声以及首次回波的振幅、面积、方差。
实施例3
基于本发明实施例1记载的面向单频机载激光测深数据的水陆分类方法,进一步优选地,如图4所示,在步骤3中,构建基于波形特征阈值和高程方差的同质连通区,根据连通区与其邻域几何关系提取内陆水,其步骤如下:
S301:内陆水提取阈值和高程方差计算;
为避免与地物交错,对每个波形特征直方图,将海面提取阈值和拟合曲线最大值位置的平均值作为内陆水提取阈值。记FS的补集点云为CFS,根据平面坐标,以参数为格网大小,以格网内点云高程最大值为像元值构建距离图像,并以该距离图像3×3窗口的像元值方差构建方差图像。
S302:连通区构建;
遍历CFS中的点,当其波形特征满足内陆水提取阈值要求(同公式(6)),且所在格网的高程方差小于阈值时,标记该格网。以八邻域是否连通为依据对标记格网构建连通区。
S303:内陆水域点确定。
对于第个连通区,计算连通区平均高程、连通区面积以及连通区外3×3邻域的平均高程;当第个连通区满足公式(7)时,认为该连通区内的点为内陆水域点,否则为陆地点;
(7)
式中,代表连通区中的像元,为连通区面积阈值。
实施例4
基于本发明实施例1记载的面向单频机载激光测深数据的水陆分类方法,进一步优选地,如图5所示。在步骤4中,利用栅格化邻域分析方法优化分类结果,提高分类精度的步骤如下:
S401:点云栅格化;
以全部点云的最大值和最小值为地理参考、为格网大小、格网内最大高程为格网值将已分类的水域和陆域点云分别栅格化,同时构建空白类别栅格。
S402:类别离群点重分类;
对于空白类别栅格中某位置的像元,当其3×3邻域内的陆地栅格和水域栅格均≥5时认为是海面和海底共存,将其分类为水域;否则,根据3×3邻域内的水域栅格和陆地栅格数量,采用投票法将当前像元分类为数量多的类别。
S403:海底点重分类;
分类结果中仍然存在缺少海面回波的海底点簇被错分为陆地点。极浅水的海底点已被分为水域点,错分为陆地的海底点簇与真实陆地点在空间上不连通,且海底点的高程低于海面高程。因此,对陆地栅格进行连通分析,计算连通区的平均高程,并计算连通区外3×3邻域水域栅格的平均高程;当时,认为当前连通区为水域。
根据最终的分类栅格标记点云及其对应的激光束,完成ALB水陆点云分类。
实施例5
如图6所示,本发明实施例提供一种面向单频机载激光测深数据的水陆分类系统,包括:
波形特征提取模块1,用于提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差以及独立波峰数五个波形特征;
海陆分类模块2,用于双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,实现海陆分类;
内陆水提取模块3,用于构建波形特征阈值和高程方差同质连通区,根据连通区与其邻域几何关系提取内陆水;
优化分类结果模块4,用于利用栅格化邻域分析方法优化分类结果,提高分类精度。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
二、应用实施例:
应用例1
利用本发明实施例提供的面向单频机载激光测深数据的水陆分类方法在南海蜈支洲岛两个约200万点云量条带进行了应用,具体应用实施例如下:
本发明应用实施例提供一种面向单频机载激光测深数据的水陆分类方法,其流程如图2所示。包括以下步骤:
步骤1:提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差以及独立波峰数五个波形特征;
回波波形中首次回波的振幅Am面积Ar、方差V、回波波形的尾部噪声N以及独立波峰的个数PC用于反映回波波形的形状,5个波形特征对回波波形的表达如图7,对应回波波形特征的表达式如下:
式中,P代表首次回波内的采样点回波强度,、分别代表首次回波振幅点左侧和右侧的回波强度达到时对应的时刻,intensity代表整个波形的采样点回波强度,peak代表回波波峰;至此,每个ALB测深点的特征数据表达为{x,y,z,PC,N,Am,Ar,V},其中x,y,z为该点的三维坐标。
步骤2:双峰波形点云的高程区间和波形特征直方图拟合曲线得到的水陆分类阈值,实现海陆分类;
海面区域通常是ALB条带内面积最大的水域,ALB接收波形为双波峰(PC=2)的点云高程被用来确定粗糙海面。水和陆地的物理属性决定了水域的背景噪声相比陆地更大,振幅、面积和方差比陆地更小,根据波形特征直方图拟合曲线,计算海面点提取阈值,如图7,进一步基于海面点提取阈值实现精确海面提取。
进一步的实施例中,步骤2具体包括如下步骤:
步骤2.1:海面点粗提取;
绘制波形为双波峰波形点云的高程统计直方图,根据直方图频数最大的位置确定海面高程H。由于海面波浪、潮汐变化以及ALB系统测量不确定度等因素影响,条带内海面点云的高程在区间内变化。故粗略海面点云集合CS可由式(1)确定。
(1)
式中,csp代表条带内的点,代表点csp的高程,为海面高程变化阈值。
步骤2.2:波形特征直方图曲线拟合;
绘制回波波形的尾部噪声、首次波峰振幅、面积和方差的波形特征直方图,以特征值为对应直方图的自变量x,以频数为因变量y,利用移动最小二乘拟合波形特征直方图曲线,如图8(a)-图8(d)。拟合公式如下:
(2)
式中:为线性基函数,,;和为根据ALB波形特征值计算得到的系数矩阵,根据式(3)和(4)计算获得;
(3)
(4)
式中,为处的样条权函数,设,的计算公式如下:
(5)
计算每个波形特征直方图的拟合曲线中水域统计峰向陆域统计峰过渡的首个极小值,将其对应的特征值分别作为海面精提取阈值,如图8(a)-图8(d)。遍历点集CS,当波形特征满足阈值要求(公式(6))时判定该点为海面点,否则判定该点为内陆点云。
(6)
式中,fsp代表CS中的点,分别代表点fsp的波形背景噪声以及首次回波的振幅、面积、方差。
步骤3:构建基于波形特征阈值和高程方差的同质连通区,根据连通区与其邻域几何关系提取内陆水;
上述处理可实现海陆点云的初步分类,本步骤将进一步提取内陆水域点。内陆水与海水波形特征相似且水面高程变化小,在满足波形特征阈值和局部高程方差阈值要求的同时,本发明将连通区域大、连通区高程低于邻近点云作为几何约束识别内陆水,并采用栅格化处理以加快提取速度。
进一步的实施例中,步骤3具体包括如下步骤:
步骤3.1:内陆水提取阈值和高程方差计算;
为避免与地物交错,对每个波形特征直方图,将海面提取阈值和拟合曲线最大值位置的平均值作为内陆水提取阈值。记FS的补集点云为CFS,根据平面坐标,以参数w为格网大小,以格网内点云高程最大值为像元值构建距离图像,并以该距离图像3×3窗口的像元值方差构建方差图像。
步骤3.2:连通区构建;
遍历CFS中的点,当其波形特征满足内陆水提取阈值要求(同公式(6)),且所在格网的高程方差小于阈值时,标记该格网。以八邻域是否连通为依据对标记格网构建连通区。
步骤3.3:内陆水域点确定。
对于第个连通区,计算连通区平均高程、连通区面积以及连通区外3×3邻域的平均高程;当第个连通区满足公式(7)时,认为该连通区内的点为内陆水域点,否则为陆地点;
(7)
式中,代表连通区中的像元,为连通区面积阈值。
步骤4:利用栅格化邻域分析方法优化分类结果,提高分类精度;如图9所示。
水面的波浪峰以及陆地区域的小目标可能引起异常回波,导致水陆分类结果中存在不同于邻域类别的异常点,即类别离群点。此外,部分海底点可能被错分为陆地点,需将这些点重分类为水域点。本发明采用点云栅格化后的邻域分析法解决上述问题,实现水陆精分类。
进一步的实施例中,步骤4具体包括如下步骤:
步骤4.1:点云栅格化;
以全部点云的最大值和最小值为地理参考、为格网大小、格网内最大高程为格网值将已分类的水域和陆域点云分别栅格化,同时构建空白类别栅格。
步骤4.2:类别离群点重分类;
对于空白类别栅格中某位置的像元,当其3×3邻域内的陆地栅格和水域栅格均≥5时认为是海面和海底共存,将其分类为水域;否则,根据3×3邻域内的水域栅格和陆地栅格数量,采用投票法将当前像元分类为数量多的类别。
步骤4.3:海底点重分类;
分类结果中仍然存在缺少海面回波的海底点簇被错分为陆地点。极浅水的海底点已被分为水域点,错分为陆地的海底点簇与真实陆地点在空间上不连通,且海底点的高程低于海面高程。因此,对陆地栅格进行连通分析,计算连通区的平均高程,并计算连通区外3×3邻域水域栅格的平均高程;当时,认为当前连通区为水域。
根据最终的分类栅格标记点云及其对应的激光束,完成ALB水陆点云分类。
应用例2
本发明实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
应用例3
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
应用例4
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
应用例5
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
应用例6
本发明实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
三、实施例相关效果的证据:
实验
本发明实验实施例提供一种面向单频机载激光测深数据的水陆分类方法,其示范应用结果如图10。包括以下过程:
过程1:数据介绍。利用中国南海蜈支洲岛的2个条带数据进行水陆分类验证,ALB数据采用波长为532nm的单频Optech Aquarius系统采集,点密度约1.9pts/m2,条带覆盖包括植被、人工建筑物、深水、浅水、内陆水等,潮间带包括码头、沙滩、礁石等。每个条带点云的数据量均为200万个点左右。根据同期的机载高清相片和LiDAR点云构建参考数据,对水陆分类结果进行评价。
过程2:水陆分类。利用本发明提出方案对2个条带进行试验,预设海面高程变化区间、格网大小w=2、水面高程方差阈值、连通区面积阈值(格网数)。为了对比试验效果,使用监督分类支持向量机、随机森林以及非监督分类模糊C均值聚类分别对2个条带的数据进行水陆分类试验,其特征向量为{N,Am,Ar,V,起伏度,高程方差,高程}。
过程3:分类结果评价。
过程3.1:定性评价。北侧条带的支持向量机和随机森林结果中有一定数量的水被错分为陆地点(水→陆地),这是内陆水削弱了点云高程的重要性,异常波形特征导致了错分。而提出方案的邻域分析将这些异常点进行重分类,极大减少了错分。南侧条带的随机森林和提出方案分类效果较好,支持向量机出现了较多数量的陆地点被错分为水点(陆地→水)。
过程3.2:定量评价。进一步通过分类精度和运行时间定量评价4种方案在南海蜈支洲岛两个条带的效果。支持向量机总体精度分别为97.8%和96.3%、随机森林总体精度均为99.00%、模糊C均值聚类总体精度分别为84.7%和90.8%、本发明提出方案总体精度分别为99.3%和99.2%;支持向量机、随机森林、模糊C均值聚类以及本发明提出方案的平均运行时间分别为155.5s、171.6s、155.2s、104.1s。证明了本发明提出的单频机载激光测深水陆分类方案具有自动化程度高、精度高、效率高等优点。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种面向单频机载激光测深数据的水陆分类方法,其特征在于,该方法包括以下步骤:
S1,利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类;
S2,基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征实现内陆水域点识别;
S3,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类。
2.根据权利要求1所述的面向单频机载激光测深数据的水陆分类方法,其特征在于,在步骤S1前,还需进行:提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差、独立波峰数五个波形特征;
回波波形中首次回波的振幅Am、面积Ar、方差V、回波波形的尾部噪声N以及独立波峰的个数PC用于反映回波波形的形状,对应回波波形特征的表达式如下:
Am=MAX(P)
V=VAR(P)
N=MEAN(intensity(end-50:end))
PC=COUNT(peak)
每个ALB测深点的特征数据表达为{x,y,z,PC,N,Am,Ar,V},其中x,y,z为该点的三维坐标。
3.根据权利要求1所述的面向单频机载激光测深数据的水陆分类方法,其特征在于,在步骤S1中,利用双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,进行海陆分类的步骤包括:
(1)海面点粗提取;
双波峰波形点云的高程统计直方图呈现明显的单峰分布,根据其高程直方图频数最大的位置确定海面高程,粗略海面点云集合CS由下式确定:
CS={csp|Zcsp∈[H±ε]} (1)
式中,csp代表条带内的点,Zcsp代表点csp的高程,H为直方图频数最大位置的海面高程,ε为海面高程变化阈值;
(2)波形特征直方图曲线拟合;
绘制回波波形的尾部噪声、首次波峰振幅、面积和方差的波形特征直方图,以特征值为对应直方图的自变量x,以频数为因变量y,利用移动最小二乘拟合波形特征直方图曲线;拟合公式(2)如下:
f(x)=PT(x)A-1(x)B(x)y (2)
式中:P(x)为线性基函数,P(x)=[1;x],y=[y1;y2;…;yn];A(x)和B(x)为根据ALB波形特征值xj计算得到的系数矩阵,根据式(3)和(4)计算获得;
B(x)=[ω(x-x1)P(x1),ω(x-x2)P(x2),…,ω(x-xn)P(xn)] (4)
式中,ω(x-xj)为x处的样条权函数,设s=70×|x-xj|/(max(xj)-min(xj)),ω的计算公式如下:
(3)基于波形特征阈值的海面点精提取;
计算每个波形特征直方图的拟合曲线中水域统计峰向陆域统计峰过渡的首个极小值,将对应的特征值分别作为海面精提取阈值NT,AmT,ArT,VT;遍历点集CS,当波形特征满足公式(6)的阈值要求时,判定该点为海面点,否则判定该点为内陆点云;
FS={fsp|fspN>NT&fspAm<AmT&fspAr<ArT&fspV<VT} (6)
式中,fsp代表CS中的点,fspN,fspAm,fspAr,fspV分别代表点fsp的波形背景噪声以及首次回波的振幅、面积、方差。
4.根据权利要求1所述的面向单频机载激光测深数据的水陆分类方法,其特征在于,在步骤S2中,基于水陆分类波形特征阈值、高程方差构建连通区,并利用连通区几何特征识别内陆水域点,具体包括以下步骤:
步骤1,内陆水提取阈值和高程方差计算;
对每个波形特征直方图,将海面提取阈值和拟合曲线最大值位置的平均值作为内陆水提取阈值;FS的补集点云为CFS,根据平面坐标,以参数w为格网大小,以格网内点云高程最大值为像元值构建距离图像,并以该距离图像3×3窗口的像元值方差构建方差图像;
步骤2,连通区构建;
遍历CFS中的点,当其波形特征满足内陆水提取阈值要求,且所在格网的高程方差小于阈值Tvar时,标记该格网;以八邻域是否连通为依据对标记格网构建连通区;
步骤3,内陆水域点确定;
对于第i个连通区,计算连通区平均高程MECRi、连通区面积ACRi以及连通区外3×3邻域的平均高程NMECRi;当第i个连通区满足公式(7)时,认为该连通区内的点为内陆水域点,否则为陆地点;
IWS={lw∈CRi|ACRi>Tarea&MECRi<NMECRi,i=1,2,3…} (7)
式中,lw代表连通区CRi中的像元,Tarea为连通区面积阈值。
5.根据权利要求1所述的面向单频机载激光测深数据的水陆分类方法,其特征在于,在步骤S3中,进行点云栅格化的邻域分析,将连通区及邻域关系作为约束条件用于优化水陆分类包括以下步骤:
步骤1,点云栅格化;
以全部点云的最大值和最小值为地理参考、w为格网大小、格网内最大高程为格网值将已分类的水域和陆域点云分别栅格化,同时构建空白类别栅格;
步骤2,类别离群点重分类;
对于空白类别栅格中某位置的像元,当其3×3邻域内的陆地栅格和水域栅格均≥5时为海面和海底共存,分类为水域;否则,根据3×3邻域内的水域栅格和陆地栅格数量,采用投票法将当前像元分类为数量多的类别;
步骤3,海底点重分类;
对陆地栅格进行连通分析,计算连通区的平均高程MECRi,并计算连通区外3×3邻域水域栅格的平均高程WNMECRi;当MECRi<WNMECRi时,认为当前连通区为水域;
根据最终的分类栅格标记点云及其对应的激光束,完成ALB水陆点云分类。
6.一种实现权利要求1-5任意一项所述面向单频机载激光测深数据的水陆分类方法的面向单频机载激光测深数据的水陆分类系统,其特征在于,该面向单频机载激光测深数据的水陆分类系统包括:
波形特征提取模块(1),用于提取单频ALB系统回波波形的尾部噪声、首次波峰振幅、面积、方差和独立波峰数五个波形特征;
海陆分类模块(2),用于双峰波形点云的高程区间和波形特征直方图拟合曲线得到水陆分类阈值,实现海陆分类;
内陆水提取模块(3),用于构建波形特征阈值和高程方差连通区,根据连通区与其邻域几何关系提取内陆水;
优化分类结果模块(4),用于利用栅格化邻域分析方法优化分类结果。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-5任意一项所述的面向单频机载激光测深数据的水陆分类方法。
8.一种计算机可读存储介质,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,使得所述处理器执行权利要求1-5任意一项所述的面向单频机载激光测深数据的水陆分类方法。
9.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施权利要求1-5任意一项所述的面向单频机载激光测深数据的水陆分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372891.4A CN115422981B (zh) | 2022-11-04 | 2022-11-04 | 面向单频机载激光测深数据的水陆分类方法、系统及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372891.4A CN115422981B (zh) | 2022-11-04 | 2022-11-04 | 面向单频机载激光测深数据的水陆分类方法、系统及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115422981A CN115422981A (zh) | 2022-12-02 |
CN115422981B true CN115422981B (zh) | 2023-04-07 |
Family
ID=84208270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211372891.4A Active CN115422981B (zh) | 2022-11-04 | 2022-11-04 | 面向单频机载激光测深数据的水陆分类方法、系统及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422981B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609758B (zh) * | 2023-07-17 | 2023-10-27 | 山东科技大学 | 一种机载激光测深波形旅行时提取方法 |
CN116609759B (zh) * | 2023-07-21 | 2023-10-31 | 自然资源部第一海洋研究所 | 一种机载激光测深海底弱回波增强识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643671B (zh) * | 2016-12-01 | 2019-04-09 | 江苏省测绘工程院 | 一种基于机载LiDAR测深系统的水下点云去噪方法 |
CN107421496B (zh) * | 2017-07-26 | 2018-09-04 | 青岛美吉海洋地理信息技术有限公司 | 一种高精度的水面高程提取方法 |
CN108133227A (zh) * | 2017-11-29 | 2018-06-08 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法及装置 |
CN109059796B (zh) * | 2018-07-20 | 2020-07-31 | 自然资源部第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
CN110794424B (zh) * | 2019-11-13 | 2022-04-05 | 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 |
CN115131231A (zh) * | 2022-06-02 | 2022-09-30 | 山东科技大学 | 辅以多特征聚类的复杂地形区点云层次滤波方法 |
-
2022
- 2022-11-04 CN CN202211372891.4A patent/CN115422981B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115422981A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422981B (zh) | 面向单频机载激光测深数据的水陆分类方法、系统及应用 | |
Kumar et al. | Automated road markings extraction from mobile laser scanning data | |
US9613269B2 (en) | Identifying and tracking convective weather cells | |
CN109738910A (zh) | 一种基于三维激光雷达的路沿检测方法 | |
Cao et al. | An active-passive fusion strategy and accuracy evaluation for shallow water bathymetry based on ICESat-2 ATLAS laser point cloud and satellite remote sensing imagery | |
CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
Mason et al. | Data utilization in flood inundation modelling | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
Dolan | Calculation of slope angle from bathymetry data using GIS-effects of computation algorithm, data resolution and analysis scale | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
CN112529841A (zh) | 多波束水柱数据中海底气体羽状流处理方法、系统及应用 | |
Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
Lin et al. | Noise point detection from airborne lidar point cloud based on spatial hierarchical directional relationship | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
Mader et al. | Volumetric nonlinear ortho full-waveform stacking in airborne LiDAR bathymetry for reliable water bottom point detection in shallow waters | |
CN116609759B (zh) | 一种机载激光测深海底弱回波增强识别方法及系统 | |
Pohjola et al. | Creating high-resolution digital elevation model using thin plate spline interpolation and Monte Carlo simulation | |
CN113705605B (zh) | 部分人工介入的多波束测深数据异常值自动清理方法 | |
Zhang et al. | Bridge substructure feature extraction based on the underwater sonar point cloud data | |
Lee | Instantaneous shoreline extraction utilizing integrated spectrum and shadow analysis from LiDAR data and high-resolution satellite imagery | |
CN114594503B (zh) | 一种浅海地形反演方法、计算机设备及存储介质 | |
Zhang et al. | Patch-based Evaluation of Dense Image Matching Quality | |
Acharjee et al. | Performance analysis of a novel algorithm for large scale water-body surface mapping using elevation and intensity of LiDAR 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 |