CN116243273A - 一种光子计数激光雷达数据滤波方法及装置 - Google Patents
一种光子计数激光雷达数据滤波方法及装置 Download PDFInfo
- Publication number
- CN116243273A CN116243273A CN202310513713.7A CN202310513713A CN116243273A CN 116243273 A CN116243273 A CN 116243273A CN 202310513713 A CN202310513713 A CN 202310513713A CN 116243273 A CN116243273 A CN 116243273A
- Authority
- CN
- China
- Prior art keywords
- photon
- photons
- bandwidth
- preset
- data set
- 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
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
-
- 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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光子计数激光雷达数据滤波方法及装置,涉及光子计数激光雷达数据处理技术领域,所述方法包括:获取光子数据集;基于自适应空间密度的椭圆窗口光子滤波算法,对所述光子数据集进行聚类,得到多个类,具体包括:对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离;基于所述距离确定所述光子的第一带宽;根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽;基于所述光子的有效带宽计算所述光子的漂移向量;确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类。本发明可自适应于不同环境下的不同光子空间和密度分布的情况,实现精准滤波。
Description
技术领域
本发明涉及光子计数激光雷达数据处理技术领域,具体涉及一种光子计数激光雷达数据滤波方法及装置。
背景技术
冠层高度信息不仅是各类生态模型不可或缺的输入参数之一,也是全球尺度土地覆盖分类中区分森林、灌木和草地光谱差异的重要辅助信息,冠层高度已经成为定量估算陆地碳循环研究的重要指标。在获取冠层高度信息的多种方式中,星载光子计数激光雷达LiDAR(Light Detection and Ranging)技术受到广泛关注。
星载光子计数激光雷达技术作为新型对地观测技术,采用更加灵敏的单光子探测器,具有更高的脉冲重复频率,可以获取光斑更小、密度更高的光子点云数据,能够获得高分辨率的冠层高度信息,为高分辨率森林高度制图提供了可能,但光子计数激光雷达系统发射和接收信号相较于传统激光雷达均为弱信号,受噪声影响极大,且与光照环境、地形变化和植被特征等具有关联关系,光子数据中包含大量噪声,如何区分信号光子与噪声光子成为有效利用光子计数激光雷达数据的关键问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题,为达上述目的,第一方面,提出一种光子计数激光雷达数据滤波方法,包括:
获取光子数据集;
基于自适应空间密度的椭圆窗口光子滤波算法,对所述光子数据集进行聚类,得到多个类,具体包括:对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离;基于所述距离确定所述光子的第一带宽;根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽;基于所述光子的有效带宽计算所述光子的漂移向量;
确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类。
可选地,所述根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽包括:
当所述第一带宽大于所述带宽阈值时,所述带宽阈值为所述光子的有效带宽;
当所述第一带宽小于所述带宽阈值时,所述第一带宽为所述光子的有效带宽。
可选地,所述带宽阈值为所述光子数据集中所有光子的有效带宽的平均值。
可选地,所述对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离包括:
对所述光子数据集中的每个光子,按预设长短轴比例调整以所述光子为中心点的椭圆窗口大小,直至所述椭圆窗口内包含所述预设个数的相邻光子;
计算所述光子与所述预设个数的相邻光子的距离。
可选地,所述预设长短轴比例的计算步骤包括:
分别获取各个切片单元内光子间的最大高程差值,其中,所述切片单元通过将所述光子数据集在沿轨方向上按预设切片间隔,切分而得;
获得所述预设切片间隔与所述最大高程差值的比值;
根据所述比值确定所述预设长短轴比例。
可选地,所述获取光子数据集之前包括:
获取光子计数激光雷达原始数据集;
以预设切片间隔为沿轨方向切片间隔,将所述原始数据集在所述沿轨方向上切分成多个切片单元;
计算每个所述切片单元的高程直方图,确定波峰位置对应的高程,基于所述波峰位置对应的高程确定边界阈值,所述边界阈值以内的光子集合为所述光子数据集,剔除所述边界阈值以外的光子。
可选地,所述边界阈值以外的区域为噪声光子区域;所述将光子数量小于预设阈值的类归为噪声光子类包括:
获取所述噪声光子区域的噪声光子密度;
根据噪声光子密度与预设阈值之间预设的对应关系,确定所述预设阈值;
将光子数量小于所述预设阈值的类归为噪声光子类。
可选地,所述基于所述光子的有效带宽计算所述光子的漂移向量之后,还包括:
判断所述光子的漂移向量是否小于预设漂移阈值;
若否,则继续所述光子的迭代漂移,返回执行所述计算所述光子与预设个数的相邻光子的距离的步骤;
若是,则终止所述光子的迭代漂移,将所述光子数据集中收敛位置距离差小于预设距离阈值的光子归为一类。
可选地,所述确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类之后,还包括:
使用一预设大小的移动窗口在剔除所述噪声光子类的光子数据集中获取局部高程最大值和局部高程最小值分别作为初始冠层顶部光子和初始地面光子;
分别拟合所述初始冠层顶部光子和所述初始地面光子,获得冠层线和地面线,基于所述冠层线和所述地面线得到冠层表面和地面。
为达上述目的,第二方面,还提出一种光子计数激光雷达数据滤波装置,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的光子计数激光雷达数据滤波方法。
上述技术方案中的一个技术方案具有如下有益效果:
通过基于自适应空间密度的椭圆窗口光子滤波算法,仅需人为设定相邻光子数量k,实现自适应确定光子的有效带宽,能使本发明实施例所述的光子计数激光雷达数据滤波方法自适应于不同环境下的不同光子空间和密度分布的情况,避免人为设定固定带宽的局限性,避免设定带宽太大导致噪声光子漂移到信号光子区域,导致信号光子的误判的情况,也避免设定带宽太小导致迭代陷入局部最优,收敛效果不佳的缺陷。此外,在确定第一带宽后,将其与带宽阈值进行大小比较,基于二者的大小关系确定光子的有效带宽,避免有效带宽过大,确保有效带宽的合理性,从而提高最终聚类的准确性,提升噪声识别的准确性。
上述技术方案中的其他技术方案的有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例光子计数激光雷达数据滤波方法一流程示意图;
图2为本发明实施例中植被区域光子计数激光雷达数据示意图;
图3为本发明实施例高程直方图粗滤波示意图;
图4为本发明实施例自适应确定椭圆窗口带宽示意图;
图5为本发明实施例精滤波结果示意图;
图6为本发明实施例地冠光子分类与地冠表面拟合示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是根据本发明实施例光子计数激光雷达数据滤波方法的一流程示意图。如图1,所述光子计数激光雷达数据滤波方法包括:
步骤S400,获取光子数据集。
其中,光子数据集可为粗滤波后的光子数据集。其可表示为:
步骤S500,基于自适应空间密度的椭圆窗口光子滤波算法,对所述光子数据集进行聚类,得到多个类,具体包括:对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离;基于所述距离确定所述光子的第一带宽;根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽;基于所述光子的有效带宽计算所述光子的漂移向量。
其中,基于自适应空间密度的椭圆窗口光子滤波算法,对光子数据集中的每个光子迭代漂移,直至所有光子收敛到某个位置,将收敛位置相近的光子归为一类。
在此步骤中,以光子数据集中的一个光子为例,解释说明其漂移向量的计算过程。其中,预设个数为预先确定的值,可由用户设定,为便于描述,后文将预设个数称为k。
在计算出光子与其预设个数的相邻光子的距离后,将其中的最大值作为光子的第一带宽。远离信号区域的噪声光子在获取k个相邻光子时,因周围光子稀少,光子密度较低,需要扩大搜索范围才能找全噪声光子的k个相邻光子,由此导致噪声光子的第一带宽太大,可能使该噪声光子漂移到信号点区域,从而造成信号光子的误判。为了防止这种情况的发生,在确定光子的第一带宽后,将第一带宽与带宽阈值进行大小比较,确定二者的大小关系,基于二者的大小关系确定光子的有效带宽,此处的有效带宽指后续用于计算光子的漂移向量的带宽。
当光子的第一带宽大于带宽阈值时,说明光子的第一带宽过大,此时需要对光子的带宽进行调整,取小于第一带宽的值作为光子的有效带宽,在一实施方式中,将带宽阈值作为光子的有效带宽,在另一实施方式中,另外设置一小于带宽阈值的值,作为光子的有效带宽,该值可以为用户人为设定的值。当光子的第一带宽小于带宽阈值时,说明光子的第一带宽没有过大,可直接将光子的第一带宽作为光子的有效带宽,用以计算光子的漂移向量。
通过将光子的第一带宽与带宽阈值进行大小比较,根据二者之间的大小关系确定光子的有效带宽,从而实现根据空间光子密度自适应调整带宽,确保光子有效带宽的合理性,避免噪声光子漂移至信号光子区域,提高噪声识别的准确性。
可选地,所述带宽阈值为所述光子数据集中所有光子的有效带宽的平均值。其算法表示如下:
其中,指光子数据集,/>指光子数据集/>中的光子数量,/>指光子数据集/>的平均带宽,/>为光子代号,/>指光子/>的有效带宽平均值,/>为第l个有效带宽,j为光子/>的有效带宽个数,H为光子/>的有效带宽集合。
然后根据如下式子更新光子的位置:
如图4,对光子数据集中的每个光子进行迭代漂移,在基于所述光子的有效带宽计算所述光子的漂移向量之后,判断光子的漂移向量是否小于预设漂移阈值,若否,则继续光子的迭代漂移,返回执行所述计算所述光子与预设个数的相邻光子的距离的步骤,重复执行所述计算所述光子与预设个数的相邻光子的距离及其之后的步骤;若是,则终止光子的迭代漂移,将光子数据集中收敛位置距离差小于预设距离阈值的光子归为一类。
步骤S600,确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类。
基于自适应空间密度的椭圆窗口光子滤波算法,对光子数据集进行聚类,将收敛位置相近的原始光子归为一类。基于光子计数点云中信号光子在空间分布上比噪声点更加密集,将光子数量小于预设阈值的类归为噪声光子类,光子数量大于或等于预设阈值的类归为信号光子类,剔除噪声光子类。滤波结果如图5所示。
通过自适应空间密度的椭圆窗口光子滤波算法,仅需人为设定相邻光子数量k,实现自适应确定光子的有效带宽,能使本发明实施例所述的光子计数激光雷达数据滤波方法自适应于不同环境下的不同光子空间和密度分布的情况,避免人为设定固定带宽的局限性,避免设定带宽太大导致噪声光子漂移到信号光子区域,导致信号光子的误判的情况,也避免设定带宽太小导致迭代陷入局部最优,收敛效果不佳的缺陷。此外,在确定第一带宽后,将其与带宽阈值进行大小比较,基于二者的大小关系确定光子的有效带宽,避免有效带宽过大,确保有效带宽的合理性,从而提高最终聚类的准确性,提升噪声识别的准确性。
可选地,所述对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离包括:
对所述光子数据集中的每个光子,按预设长短轴比例调整以所述光子为中心点的椭圆窗口大小,直至所述椭圆窗口内包含所述预设个数的相邻光子;计算所述光子与所述预设个数的相邻光子的距离。
对光子数据集中的每个光子,计算光子与其k个相邻光子的距离。由于植被区域原始光子数据在水平方向的光子密度大于垂直方向的光子密度,所以将k邻域窗口设计为椭圆,其中,椭圆的长轴方向与沿轨方向一致,以更适应植被区域的密度分布状况,提升滤波准确性。
对光子数据集中的每个光子,按预设长短轴比例调整以该光子为中心点的椭圆窗口大小,直至椭圆窗口内包含k个相邻光子,计算中心光子与k个相邻光子的距离。
对于中心光子o和其相邻光子q之间的距离采用如下算法计算:
通过将椭圆窗口的大小按照预设长短轴比例调整,并以其包含预设个数的相邻光子为调整终止条件,可确定适合植被区域光子密度分布状况的相邻光子,从而使最后计算的漂移向量更为准确,使聚类效果更佳。
可选地,所述预设长短轴比例的计算步骤包括:
分别获取各个切片单元内光子间的最大高程差值,其中,所述切片单元通过将所述光子数据集在沿轨方向上按预设切片间隔,切分而得;获得所述预设切片间隔与所述最大高程差值的比值;根据所述比值确定所述预设长短轴比例。
其中,按预设切片间隔在沿轨方向上将光子数据集切分成多个切片单元,每个切片单元内光子间的最大高程差值,指某一切片单元内高程最大值与高程最小值之间的差值绝对值。
一实施方式中,在确定每个切片单元的最大高程差值后,分别计算每个切片单元中预设切片间隔与最大高程差值的比值,随后计算所有切片单元的比值平均值,将该比值平均值作为预设长短轴比例。
由于植被密集区域原始光子数据在水平方向的光子密度大于垂直方向的光子密度,因而基于预设切片间隔与最大高程差值的比值确定预设长短轴比例,确定k邻域椭圆的几何特征,使该k邻域椭圆适应于植被密集区域的相邻光子搜索,使本发明实施例所述的光子计数激光雷达数据滤波方法更加适应植被密集区域的光子滤波,从而提升滤波准确性。
可选地,步骤S400之前包括:
步骤S100,获取光子计数激光雷达原始数据集。
光子计数激光雷达原始数据集,如图2所示:
步骤S200,以预设切片间隔为沿轨方向切片间隔,将所述原始数据集在所述沿轨方向上切分成多个切片单元。
步骤S300,计算每个所述切片单元的高程直方图,确定波峰位置对应的高程,基于所述波峰位置对应的高程确定边界阈值,所述边界阈值以内的光子集合为所述光子数据集,剔除所述边界阈值以外的光子。
每个切片单元的高程直方图,如图3所示,确定波峰位置对应的高程。
边界阈值,可以为Hc-N、Hc+N,其中,Hc为波峰位置对应的高程,N为预设阈值,将边界阈值范围[Hc-N、Hc+N]以内的区域作为信号光子区域,将边界阈值范围[Hc-N、Hc+N]以外的区域作为噪声光子区域,剔除边界阈值以外的光子,实现对原始数据集的粗滤波。
可选地,所述边界阈值以外的区域为噪声光子区域;所述将光子数量小于预设阈值的类归为噪声光子类包括:
获取所述噪声光子区域的噪声光子密度;根据噪声光子密度与预设阈值之间预设的对应关系,确定所述预设阈值;将光子数量小于所述预设阈值的类归为噪声光子类。
其中,计算噪声光子区域内单位面积内噪声光子的数量作为噪声光子密度。
不同植被类型地区,噪声光子密度不同,因而对应设置不同的预设阈值,用以区分当前植被类型地区的噪声光子类和信号光子类,可实现预设阈值自适应于当前环境,提升噪声识别的准确性。
可选地,步骤S600之后,还包括:
使用一预设大小的移动窗口在剔除所述噪声光子类的光子数据集中获取局部高程最大值和局部高程最小值分别作为初始冠层顶部光子和初始地面光子;分别拟合所述初始冠层顶部光子和所述初始地面光子,获得冠层线和地面线,基于所述冠层线和所述地面线得到冠层表面和地面。
其中,预设大小的移动窗口可在沿轨方向上,将剔除所述噪声光子类的光子数据集进行切片,高程无限制,例如,将20m内的光子作为一个窗口的数据。局部高程最大值,指在一个移动窗口内,所有信号光子的高程最大值。局部高程最小值,指在一个移动窗口内,所有信号光子的高程最小值。
通过分别拟合初始冠层顶部光子和初始地面光子,得到冠层线和地面线,随后取冠层线和地面线附近的信号光子补全冠层表面和地面(提取结果如图6),对于冠层线和地面线附近的每一个信号光子,通过其沿轨距离和拟合线算出其拟合的高程,比较光子原始高程和拟合高程的差值,若差值小于预设值,则将该信号光子找回,用于补全冠层表面和地面。其中,拟合算法可采用B样条算法等。
因为不是每个地面位置都存在光子,若在每个沿轨距离取,可能导致取的最小值对应的光子是冠层顶部光子而不是地面光子,因此,通过采用一预设大小的移动窗口,可避免误判冠层顶部光子和地面光子,准确识别冠层表面和地面。
本发明的至少一个实施例可实现如下有益效果:
本发明实施例提出了一种针对植被冠层提取的自适应空间密度的椭圆窗口光子滤波方法,基于光子计数点云中信号光子在空间分布上比噪声点更加密集,更易收敛到相近位置,聚成更大的类,根据粗滤波中获取的噪声点密度,自适应地计算噪声类和信号类分离阈值,精准地识别噪声,适用于光子密度分布不均的复杂条件,仅需输入相邻光子的个数,输入参数少,且能够自适应确定带宽,从而实现精确地提取信号光子。
本发明一实施例中,光子计数激光雷达数据滤波装置包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的光子计数激光雷达数据滤波方法。
可选地,光子计数激光雷达数据滤波装置可实施为一种电子设备,该电子设备包括:处理器和存储器。该电子设备还可包括多媒体组件,输入/输出(I/O)接口,以及通信组件中的一者或多者。其中,处理器用于控制该电子设备的整体操作,以完成上述光子计数激光雷达数据滤波方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持上述光子计数激光雷达数据滤波方法在该电子设备上的实现。
本发明光子计数激光雷达数据滤波装置相对于现有技术所具有的有益效果与上述光子计数激光雷达数据滤波方法一致,此处不赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种光子计数激光雷达数据滤波方法,其特征在于,包括:
获取光子数据集;
基于自适应空间密度的椭圆窗口光子滤波算法,对所述光子数据集进行聚类,得到多个类,具体包括:对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离;基于所述距离确定所述光子的第一带宽;根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽;基于所述光子的有效带宽计算所述光子的漂移向量;
确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类。
2.如权利要求1所述的光子计数激光雷达数据滤波方法,其特征在于,所述根据所述第一带宽与带宽阈值之间的大小关系,确定所述光子的有效带宽包括:
当所述第一带宽大于所述带宽阈值时,所述带宽阈值为所述光子的有效带宽;
当所述第一带宽小于所述带宽阈值时,所述第一带宽为所述光子的有效带宽。
3.如权利要求1或2所述的光子计数激光雷达数据滤波方法,其特征在于,所述带宽阈值为所述光子数据集中所有光子的有效带宽的平均值。
4.如权利要求1所述的光子计数激光雷达数据滤波方法,其特征在于,所述对所述光子数据集中的每个光子,计算所述光子与预设个数的相邻光子的距离包括:
对所述光子数据集中的每个光子,按预设长短轴比例调整以所述光子为中心点的椭圆窗口大小,直至所述椭圆窗口内包含所述预设个数的相邻光子;
计算所述光子与所述预设个数的相邻光子的距离。
5.如权利要求4所述的光子计数激光雷达数据滤波方法,其特征在于,所述预设长短轴比例的计算步骤包括:
分别获取各个切片单元内光子间的最大高程差值,其中,所述切片单元通过将所述光子数据集在沿轨方向上按预设切片间隔,切分而得;
获得所述预设切片间隔与所述最大高程差值的比值;
根据所述比值确定所述预设长短轴比例。
6.如权利要求1所述的光子计数激光雷达数据滤波方法,其特征在于,所述获取光子数据集之前包括:
获取光子计数激光雷达原始数据集;
以预设切片间隔为沿轨方向切片间隔,将所述原始数据集在所述沿轨方向上切分成多个切片单元;
计算每个所述切片单元的高程直方图,确定波峰位置对应的高程,基于所述波峰位置对应的高程确定边界阈值,所述边界阈值以内的光子集合为所述光子数据集,剔除所述边界阈值以外的光子。
7.如权利要求6所述的光子计数激光雷达数据滤波方法,其特征在于,所述边界阈值以外的区域为噪声光子区域;所述将光子数量小于预设阈值的类归为噪声光子类包括:
获取所述噪声光子区域的噪声光子密度;
根据噪声光子密度与预设阈值之间预设的对应关系,确定所述预设阈值;
将光子数量小于所述预设阈值的类归为噪声光子类。
8.如权利要求1所述的光子计数激光雷达数据滤波方法,其特征在于,所述基于所述光子的有效带宽计算所述光子的漂移向量之后,还包括:
判断所述光子的漂移向量是否小于预设漂移阈值;
若否,则继续所述光子的迭代漂移,返回执行所述计算所述光子与预设个数的相邻光子的距离的步骤;
若是,则终止所述光子的迭代漂移,将所述光子数据集中收敛位置距离差小于预设距离阈值的光子归为一类。
9.如权利要求1所述的光子计数激光雷达数据滤波方法,其特征在于,所述确定各所述类中的光子数量,将光子数量小于预设阈值的类归为噪声光子类,剔除所述噪声光子类之后,还包括:
使用一预设大小的移动窗口在剔除所述噪声光子类的光子数据集中获取局部高程最大值和局部高程最小值分别作为初始冠层顶部光子和初始地面光子;
分别拟合所述初始冠层顶部光子和所述初始地面光子,获得冠层线和地面线,基于所述冠层线和所述地面线得到冠层表面和地面。
10.一种光子计数激光雷达数据滤波装置,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-9任一项所述的光子计数激光雷达数据滤波方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513713.7A CN116243273B (zh) | 2023-05-09 | 2023-05-09 | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513713.7A CN116243273B (zh) | 2023-05-09 | 2023-05-09 | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116243273A true CN116243273A (zh) | 2023-06-09 |
CN116243273B CN116243273B (zh) | 2023-09-15 |
Family
ID=86631675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310513713.7A Active CN116243273B (zh) | 2023-05-09 | 2023-05-09 | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116243273B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953661A (zh) * | 2023-09-20 | 2023-10-27 | 中国地质大学(武汉) | 一种光子计数激光雷达自适应核密度估计滤波方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN109299668A (zh) * | 2018-08-30 | 2019-02-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动学习和聚类分析的高光谱图像分类方法 |
CN110991389A (zh) * | 2019-12-16 | 2020-04-10 | 西安建筑科技大学 | 判断目标行人在非重叠相机视角中出现的匹配方法 |
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 |
CN111934652A (zh) * | 2020-02-06 | 2020-11-13 | 中国地质大学(武汉) | 一种面向水深提取的光子计数激光雷达自适应滤波算法 |
CN111931789A (zh) * | 2020-07-28 | 2020-11-13 | 江苏大学 | 一种适用于不同光照、作物密度和生长背景的直线作物行提取方法 |
US20210003668A1 (en) * | 2020-05-26 | 2021-01-07 | China University Of Geosciences, Wuhan | Methods and devices for correcting underwater photon displacement and for depth sounding with single-photon lidar |
CN114779215A (zh) * | 2022-04-21 | 2022-07-22 | 昆明理工大学 | 一种植被覆盖区星载光子计数激光雷达数据去噪方法 |
CN115713787A (zh) * | 2023-01-10 | 2023-02-24 | 深圳市鸿逸达科技有限公司 | 一种行人检测方法、计算机设备及存储介质 |
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 |
-
2023
- 2023-05-09 CN CN202310513713.7A patent/CN116243273B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN109299668A (zh) * | 2018-08-30 | 2019-02-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动学习和聚类分析的高光谱图像分类方法 |
CN110991389A (zh) * | 2019-12-16 | 2020-04-10 | 西安建筑科技大学 | 判断目标行人在非重叠相机视角中出现的匹配方法 |
CN111934652A (zh) * | 2020-02-06 | 2020-11-13 | 中国地质大学(武汉) | 一种面向水深提取的光子计数激光雷达自适应滤波算法 |
US20210116570A1 (en) * | 2020-02-06 | 2021-04-22 | China University Of Geosciences, Wuhan | Adaptive filtering method of photon counting lidar for bathymetry |
US20210003668A1 (en) * | 2020-05-26 | 2021-01-07 | China University Of Geosciences, Wuhan | Methods and devices for correcting underwater photon displacement and for depth sounding with single-photon lidar |
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 |
CN111931789A (zh) * | 2020-07-28 | 2020-11-13 | 江苏大学 | 一种适用于不同光照、作物密度和生长背景的直线作物行提取方法 |
CN114779215A (zh) * | 2022-04-21 | 2022-07-22 | 昆明理工大学 | 一种植被覆盖区星载光子计数激光雷达数据去噪方法 |
CN115713787A (zh) * | 2023-01-10 | 2023-02-24 | 深圳市鸿逸达科技有限公司 | 一种行人检测方法、计算机设备及存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
DONGFANG ZHANG等: ""Refraction and coordinate correction with the JONSWAP model for ICESat-2 bathymetry"", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, pages 285 - 300 * |
周芳芳等: ""基于自适应带宽均值漂移聚类算法设计传递函数"", 《信息与控制》, vol. 36, no. 5, pages 585 - 591 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953661A (zh) * | 2023-09-20 | 2023-10-27 | 中国地质大学(武汉) | 一种光子计数激光雷达自适应核密度估计滤波方法及装置 |
CN116953661B (zh) * | 2023-09-20 | 2023-12-15 | 中国地质大学(武汉) | 一种光子计数激光雷达自适应核密度估计滤波方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116243273B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Landslide mapping with remote sensing: Challenges and opportunities | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
EP2927709B1 (en) | Identifying and tracking convective weather cells | |
Serifoglu Yilmaz et al. | Comparison of the performances of ground filtering algorithms and DTM generation from a UAV-based point cloud | |
CN108845300B (zh) | 一种场面监视雷达恒虚警处理方法 | |
CN116027324B (zh) | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 | |
CN116243273B (zh) | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 | |
CN110147778B (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
CN112508803B (zh) | 一种三维点云数据的去噪方法、装置及存储介质 | |
WO2019049324A1 (en) | IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD, AND STORAGE MEDIUM | |
Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
Ai et al. | AIS data aided Rayleigh CFAR ship detection algorithm of multiple-target environment in SAR images | |
KR101092250B1 (ko) | 레인지 영상으로부터의 객체 분할 장치 및 방법 | |
Fan et al. | Region-merging method with texture pattern attention for SAR image segmentation | |
CN112907744B (zh) | 数字高程模型的构建方法、装置、设备及存储介质 | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
CN115953431A (zh) | 面向无人机航拍视频的多目标跟踪方法与系统 | |
Gonçalves-Seco et al. | Digital terrain model generation using airborne LiDAR in a forested area Galicia, Spain | |
CN115272899A (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
Gladkova et al. | SST pattern test in ACSPO clear-sky mask for VIIRS | |
CN108764145A (zh) | 一种面向扎龙湿地遥感图像密度峰值聚类方法 | |
Yang et al. | Adaptive slope filtering for airborne Light Detection and Ranging data in urban areas based on region growing rule | |
Steffen et al. | Identification of windthrow-endangered infrastructure combining LiDAR-based tree extraction methods using GIS | |
Chehata et al. | Terrain modeling from lidar data: Hierarchical K-means filtering and Markovian regularization |
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 |