基于小波包分析神经网络的全波形激光雷达数据去噪方法技术

本发明专利技术公开一种基于小波包分析神经网络的全波形激光雷达数据去噪方法，该去噪方法步骤如下：(1)选定一个小波，对全波形激光雷达数据进行小波包分解；(2)信号与噪声小波包系数的分离；(3)小波包重构，获得去噪后的全波形激光数据；(4)重复(1)-(3)，得到使用不同小波函数变换下的去噪结果；(5)计算基于不同小波函数的小波包分解去噪后的全波形激光数据与原始数据的代价函数，代价函数最小的去噪结果作为最终的输出数据。本发明专利技术可有效去除全波形激光雷达数据的噪声，变换后数据的熵降低，可以以很好地刻画数据的非平稳特性，可以很好地保持数据的尖峰和边缘，并对原始数据进行去相关。

【技术实现步骤摘要】

本专利技术涉及对地观测
，特别是涉及一种基于小波包分析和神经网络的星全波形激光雷达数据去噪方法。特别是涉及一种以不同小波函数对原始全波形激光雷达数据进行小波包分析去噪，并比较其与原始数据的代价函数，代价函数最小的结果作为最终的全波形激光雷达数据去噪结果。
技术介绍
通过对全波形激光雷达传感器获取的地物全波形激光雷达数据进行波形分解，可以得到足印光斑内地物表面与传感器之间的距离，再结合传感器位置就可以得到足印光斑内地物表面的高度分布状况。全波形激光雷达已被广泛应用于极地冰盖、地表高程、植被监测、城市规划等领域。通过全波形激光雷达数据可以反演地物的横截面，这是普通激光雷达数据做不到的，全波形激光雷达技术目前已成为最主要的主动星载、机载光学遥感技术。2003年，美国国家航空航天管理局(NASA)与发射率专门用于极地冰盖、云和陆地的高程卫星ICESAT1(Ice，Cloud,andlandElevationSatellite)，ICESAT1上所搭载的全波形激光高度计GLAS(GeoscienceLaserAltimeterSystem)获取了全球不同地物的全波形激光雷达数据，并用于反演冰盖、云高、森林生物量、湖面高度、城市建筑物密度等，获得了良好的应用效果，极大地促进了星载主动光学遥感乃至整个遥感技术的发展。该卫星于2009年终止运行。目前，对地观测技术越来越受到各国政府的重视，尤其是世界主要航天大国都制定了不同的对地观测计划，将会发射大量的对地观测卫星，其中也包括全波形星载激光雷达卫星。因此，开发用于全波形激光雷达数据的处理技术具有重要现实意义。波形分解是获取传感器至地物表面距离的关键步骤之一，波形分解的精度直接影响所获取的距离精度。波形分解的精度处理与波形分解技术本身的精度有关之外，还会受到输入的全波形激光数据中噪声的影响，输入数据的噪声越大，波形分解结果误差越大。而在全波形激光雷达测量过程中，传感器所引入的噪声又不可避免的混入所输出的原始全波形激光雷达数据中。因此，在波形分解之前，去除原始全波形激光雷达数据中的噪声是十分必要的。目前，用于全波形激光雷达数据去噪的常用方法主要有基于时域的滑动平均(MovingAverage，MA)和基于频域的快速傅里叶变换(FastFourierTransform，FFT)。滑动平均容易将波形数据中的尖峰平滑，将脉冲展宽。通过对原始全波形激光雷达数据进行快速傅里叶变换后，在频率域滤波会导致边缘震荡和振铃。另外，快速傅里叶变换不适用于处理信噪比过低的全波形激光雷达数据。一般来说，由于要穿过整个大气层，星载全波形激光雷达所接受到的地面回波能量大大减小，其信噪比要低于光程较短的机载全波形激光雷达数据。因此，用于星载全波形激光雷达数据的去噪方法应该在去除噪声的同时，要保证原始的波形趋势，还应该适用于低信噪比数据的处理。小波分析包是近些年来新发展起来的一种将时域数据变换到频域的一种方法，可以认为是普通小波函数的线性组合，是小波分析的升级版。它可以对高频信号进一步分解，能够在所有频率范围内聚焦，相比传统小波分析更具灵活性。在噪声去除方面，小波包变换后数据的熵降低，可以很好地刻画数据的非平稳特性，可以很好地保持数据的尖峰和边缘，并对原始数据进行去相关。小波包重构过程中，最重要的一步就是确定用于重构的小波包结点系数，只有选择的小波包结点系数不包含噪声部分，才能有效地去除噪声。神经网络具有很强学习能力、鲁棒性、自组织和自适应性，分类精度较高。因此，可以用神经网络区分信号和噪声的小波结点系数。
技术实现思路
针对现有技术的空白和缺点。本专利技术所要解决的技术问题是提供一种精度高、效率高的全波形激光雷达数据噪声去除方法。为了解决上述技术问题，本专利技术提供的一种基于小波包分析的星全波形激光雷达数据去噪方法，实现该方法，数据处理步骤如下：(1)选定一个小波，对全波形激光雷达数据的进行小波包分解。选择一个小波(如Haarwavelet，Daubechieswavelets，Symlets，Coiflets，Biorthogonalwavelets，Reversebiorthogonalwavelets，DiscreteapproximationofMeyerwavelet等)，确定进行小波分解的层数N，然后对全波形激光雷达数据进行N层小波分解，如图1所示。(2)信号与噪声小波包系数的分离。选取小波包分解结果中的最后一层低频系数作为信号的训练样本，选取小波包分解结果中的最后一层高频系数作为噪声的训练样本。用神经网络对所有小波结点系数进行分类，分成信号和噪声两类。(3)小波包重构，获得去噪后的全波形激光数据。用(2)中分类结果中的信号小波结点系数对进行小波包重构，得到去噪后的全波形激光雷达数据。(4)重复(1)-(3)，得到使用不同小波函数变换下的去噪结果。(5)计算基于不同小波函数的小波包分解去噪后的全波形激光数据与原始数据的代价函数，代价函数最小的去噪结果作为最终的输出数据。进一步地，所述步骤(1)-(4)遍历所有常用的小波函数，用小波包分析对原始全波形激光雷达数据进行去噪。代价函数计算方法为其中，为滤波后数据；z(t)为原始数；t为采样波形数据中的数据点序数；α为权重。代价函数最小的去噪结果作为最终的输出数据。进一步地，所述步骤(2)，使用神经网络对小波包结点系数进行分类，区分信号与噪声；进一步地，所述步骤(5)，将计算代价函数，比较基于不同小波函数的小波包分解去噪后的全波形激光数据的优劣，选出最优去噪结果。附图说明图1为小波包分解示意图。图2为低频系数训练样本。图3为高频系数训练样本。图4为全波形激光雷达数据滤波前后波形。具体实施方式以下对本专利技术的实施例做了进一步详细描述，但本实施例并不限于本发明，凡是采用本专利技术的相似方法及其相似变化，均应列入本专利技术的保护范围。选定ICESAT1GLA01全波形激光雷达数据作为实验数据，ICESAT1全波形激光雷达数据的过对原始的计数值进行转换后得到电压强度数据，对电压强度数据进行归一化处理，得到归一化的波形数据，波形的积分面积等于1。(1)选定一个小波，对全波形激光雷达数据的进行小波包分解。选择Haarwavelet，Daubechieswavelets，Symlets，Coiflets，Biorthogonalwavelets，Reversebior本文档来自技高网...

【技术保护点】
一种基于小波包分析和神经网络的全波形激光雷达数据去噪方法，其特征在于包括以下步骤：(1)选定一个小波，确定进行小波分解的层数N，然后对全波形激光雷达数据进行N层小波分解；(2)信号与噪声小波包系数的分离；选取小波包分解结果中的最后一层低频系数作为信号的训练样本，选取小波包分解结果中的最后一层高频系数作为噪声的训练样本，用神经网络对所有小波结点系数进行分类，分成信号和噪声两类；(3)小波包重构，获得去噪后的全波形激光雷达数据；用步骤(2)中分类结果中的信号小波结点系数对进行小波包重构，得到去噪后的全波形激光雷达数据；(4)重复步骤(1)‑步骤(3)，得到使用不同小波函数变换下的去噪结果；(5)计算基于不同小波函数的小波包分解去噪后的全波形激光数据与原始数据的代价函数，代价函数最小的去噪结果作为最终的输出数据。进一步地，所述步骤(1)‑(4)遍历所有常用的小波函数，用小波包分析对原始全波形激光雷达数据进行去噪；代价函数计算方法为：其中，为滤波后数据；z(t)为原始数；t为采样波形数据中的数据点序数；α为权重，代价函数最小的去噪结果作为最终的输出数据。

【技术特征摘要】
2015.12.01 CN 201510866377X1.一种基于小波包分析和神经网络的全波形激光雷达数据去噪方法，其
特征在于包括以下步骤：
(1)选定一个小波，确定进行小波分解的层数N，然后对全波形激光雷
达数据进行N层小波分解；
(2)信号与噪声小波包系数的分离；选取小波包分解结果中的最后一层
低频系数作为信号的训练样本，选取小波包分解结果中的最后一层高频系数作
为噪声的训练样本，用神经网络对所有小波结点系数进行分类，分成信号和噪
声两类；
(3)小波包重构，获得去噪后的全波形激光雷达数据；用步骤(...

【专利技术属性】
技术研发人员：刘成玉，谢锋，舒嵘，王建宇，
申请(专利权)人：中国科学院上海技术物理研究所，
类型：发明
国别省市：上海;31