一种改进的基于聚类的单光子点云数据去噪方法技术

本发明专利技术提出了一种改进的基于聚类的单光子点云数据去噪方法。本发明专利技术将光子计数激光测高仪的三维点云数据转换为二维点云数据，二维点云数据通过粗去噪方法得到粗去噪后二维点云数据；将粗去噪后二维点云数据通过均匀化处理得到均匀化后二维点云数据；将均匀化后二维点云数据通过精去噪方法得到精去噪后二维点云数据；本发明专利技术对单光子探测得到的点云数据以更快的速度和更高的查全率、查准率进行去噪和信号提取。

【技术实现步骤摘要】
一种改进的基于聚类的单光子点云数据去噪方法
本专利技术属于单光子探测的信号处理领域，具体涉及一种改进的基于聚类的单光子点云数据去噪方法。
技术介绍
单光子探测技术是近几年发展起来的新型探测技术，以目前已得到应用的计数星载激光测高仪为例，其采用单光子探测器件作为接收器件，灵敏度比传统激光测高仪提高了2-3个数量级，更易实现微脉冲、高重频、多波束的直接三维成像，具有很大的技术优势和发展前景。光子计数星载激光测高仪测量频率高，数据量大，探测地表类型多种多样，因而研究快速、有效、对多种目标都具有良好鲁棒性的点云数据去噪方法对光子计数激光测高仪数据处理具有重要意义。现有的去噪办法包含基于栅格，基于局部统计信息和基于聚类的三类方法。其中，基于栅格的方法在目标起伏比较厉害或坡度较陡峭时容易出现误判；基于部统计信息的方法时间复杂度高，运算时间久，且由于实际地形多变，密度阈值选取困难；基于聚类的方法受点云分布不均匀的影响较大，固定的阈值难以同时对反射率和环境差异较大的目标正确提取。
技术实现思路
针对
技术介绍
中存在的问题，本专利技术提供了一种改进的基于聚类的单光子点云数据去噪方法。该方法通过粗去噪简化点云数据，减少计算量；通过点云均匀化平均点云密度，防止因反射率和环境差异造成的局部点云分布不均，噪声密度大于或接近信号密度的现象；通过精去噪中的自适应DBSCAN算法对均匀化后的点云进行聚类和目标信号提取。本技术方案有运算速度快，去噪效果好，信号提取准确等突出特点。本专利技术采用的具体技术方案如下：一种改进的基于聚类的单光子点云数据去噪方法，包含：步骤1：将光子计数激光测高仪的三维点云数据转换为二维点云数据，二维点云数据通过粗去噪方法得到粗去噪后二维点云数据；步骤2：将粗去噪后二维点云数据通过均匀化处理得到均匀化后二维点云数据；步骤3：将均匀化后二维点云数据通过精去噪方法得到精去噪后二维点云数据；作为优选，步骤1中所述三维点云数据转换为二维点云数据为：将光子计数激光测高仪的三维点云数据P＝(mk,nk,yk)用二维点云数据表示：P＝(xk,yk)，k∈[1,Nt]其中，Nt为三维点云离散点的数量即二维点云离散点的数量，mk表示第k个三维点云离散点的经度，nk表示第k个三维点云离散点的纬度，xk表示第k个二维点云离散点的水平距离值即第k个二维点云离散点的沿轨距离值，且yk表示第k个二维点云离散点的垂直距离值即第k个二维点云离散点的高程；步骤1中所述粗去噪方法为：将二维点云数据按照每lv米为一个间隔，划分成M＝h/lv个高程片，M为高程片的数量，高程的范围为：h＝max(yk)-min(yk)，k∈[1,Nt]其中，Nt为二维点云离散点的数量，max(yk)为yk，k∈[1,Nt]的最大值，max(yk)为yk，k∈[1,Nt]的最小值；每个高程片内二维点云离散点为：Pi＝(xi,j,yi,j)，i∈[1,M]，j∈[1,Ei]lv×(i-1)＜yi,j＜lv×i其中，xi,j为第i个高程片内第j个二维点云离散点沿轨距离值，yi,j为第i个高程片内第j个二维点云离散点高程，Ei为第i个高程片内二维点云离散点的数量；以高程片i为横坐标，第i个高程片内二维点云离散点的数量Ei为纵坐标建立高程统计分布直方图，并用巴特沃斯滤波器对高程统计分布直方图进行五点加权滤波：Ei,filt＝a1Ei-2+a2Ei-1+a3Ei+a4Ei+1+a5Ei+2i∈[3,M]a＝(a1,a2,a3,a4,a5)其中，Ei,filt为滤波后第i个高程片内二维点云离散点的数量，a1为滤波器第一加权系数，a2为滤波器第二加权系数，a3为滤波器第三加权系数，a4为滤波器第四加权系数，a5为滤波器第五加权系数；根据滤波后高程片内二维点云离散点的数量得到高程阈值：Ed,filt＝max{E1,filt,E2,filt,...,EM,filt}ET＝Ed,filt/2其中，max为求最大值，ET为高程阈值；当高程片(i，Ei,filt)i∈[1,M]满足以下条件：Ei<ET,i∈[3,M]；(i，Ei,filt)为非极小值点，即Ei,filt至少要大于Ei-1,filt，Ei+1,filt中的任意一个；lv×|i-d|>＝λ，d为Ed,filt对应的高程片；满足以上条件在|i-d|，i∈[1,M]中搜索最小值：当iL<d时，下限高程阈值Tstart＝lv×iL，|iL-d|在|i-d|，i∈[1,M]中为最小值；当iH>d时，上限高程阈值Tend＝lv×iH，|iH-d|在|i-d|，i∈[1,M]中为最小值；步骤1中所述粗去噪后二维点云数据为：Pfilt,其中Pfilt＝(xk,yk)，yk∈(Tstart,Tend),k∈[1,Np]，Np为粗去噪后二维点云离散点的数量；作为优选，步骤2中所述均匀化处理为：在沿着搭载激光测高仪的卫星或飞机的运行轨道方向，将粗去噪后二维点云数据Pfilt按照每lh米为一个间隔，划分成K＝L/lh个沿轨距离片，距离的范围为：L＝max(xk)-min(xk)，k∈[1,Np]其中，max(xk)为xk，k∈[1,Np]的最大值，min(xk)为xk，k∈[1,Np]的最小值；每个沿轨距离片内粗去噪后二维点云离散点为：Pi＝(xu,v,yu,v)，u∈[1,K]，v∈[1,Hu]lh×(u-1)＜xu,v＜lh×u其中，xu,v为第u个沿轨距离片内第v个粗去噪后二维点云离散点的沿轨距离值，yu,v为第u个沿轨距离片内第v个粗去噪后二维点云离散点的高程，Hu为第u个沿轨距离片内粗去噪后二维点云离散点的数量；以沿轨距离片u为横坐标，第u个沿轨距离片内粗去噪后二维点云离散点的数量Hu为纵坐标建立高程统计分布直方图，然后以沿轨距离统计分布直方图为基础，计算粗去噪后二维点云离散点落在每一个沿轨距离片的概率；其中，PDF(u)表示粗去噪后二维点云离散点落在第u个沿轨距离片的概率，其中u∈{1,2,…，K}；然后对每个点云离散点的沿轨距离xu,v，进行调整得到均匀后的沿轨距离xu,v,2：xu,v,2＝K×lhCDF(u)+K×xu,v,remPDF(u+1)其中，xu,v,2代表均匀化后第u个沿轨距离片中第v个离散点的沿轨距离值，xu,v,rem表示xu,v除以lh的余数，通过点云均匀化，用xu,v,2的值替换xu,v可以得到步骤2中均匀化后二维点云数据Paver＝(xk,2,yk),k∈[1,Np]；作为优选，步骤3中所述精去噪方法为：根据邻域半径Eps、核心点阈值MinPts以及均匀化后二维点云数据Paver通过DBSCAN聚类算法挑选均匀化后二维点云数据Paver中的信号点即精去噪后二维点云数据Psignal；核心点阈值MinPts为：其中，Nt为步骤1中所述二维点云离散点的数量，M为步骤1中所述高程片的数量，M1为步骤1中所述高程片内二维点云离散点的数量Ei大于Nt/M的高程片的数量，N1为M1个高程片中所有二维点云离散点的数量，M2为步骤1中所述高程片内二维点云离散点的数量Ei小于等于Nt/M的高程片的数量，N2为M2个高程片中所有二维点云离散点的数量；根据邻域半径Eps，核心点阈值本文档来自技高网...

【技术保护点】
1.一种改进的基于聚类的单光子点云数据去噪方法，其特征在于，包括以下步骤：步骤1：将光子计数激光测高仪的三维点云数据转换为二维点云数据，二维点云数据通过粗去噪方法得到粗去噪后二维点云数据；步骤2：将粗去噪后二维点云数据通过均匀化处理得到均匀化后二维点云数据；步骤3：将均匀化后二维点云数据通过精去噪方法得到精去噪后二维点云数据。

【技术特征摘要】
1.一种改进的基于聚类的单光子点云数据去噪方法，其特征在于，包括以下步骤：步骤1：将光子计数激光测高仪的三维点云数据转换为二维点云数据，二维点云数据通过粗去噪方法得到粗去噪后二维点云数据；步骤2：将粗去噪后二维点云数据通过均匀化处理得到均匀化后二维点云数据；步骤3：将均匀化后二维点云数据通过精去噪方法得到精去噪后二维点云数据。2.根据权利要求1所述的改进的基于聚类的单光子点云数据去噪方法，其特征在于：步骤1中所述三维点云数据转换为二维点云数据为：将光子计数激光测高仪的三维点云数据P＝(mk,nk,yk)用二维点云数据表示：P＝(xk,yk)，k∈[1,Nt]其中，Nt为三维点云离散点的数量即二维点云离散点的数量，mk表示第k个三维点云离散点的经度，nk表示第k个三维点云离散点的纬度，xk表示第k个二维点云离散点的水平距离值即第k个二维点云离散点的沿轨距离值，且yk表示第k个二维点云离散点的垂直距离值即第k个二维点云离散点的高程；步骤1中所述粗去噪方法为：将二维点云数据按照每lv米为一个间隔，划分成M＝h/lv个高程片，M为高程片的数量，高程的范围为：h＝max(yk)-min(yk)，k∈[1,Nt]其中，Nt为二维点云离散点的数量，max(yk)为yk，k∈[1,Nt]的最大值，max(yk)为yk，k∈[1,Nt]的最小值；每个高程片内二维点云离散点为：Pi＝(xi,j,yi,j)，i∈[1,M]，j∈[1,Ei]lv×(i-1)＜yi,j＜lv×i其中，xi,j为第i个高程片内第j个二维点云离散点沿轨距离值，yi,j为第i个高程片内第j个二维点云离散点高程，Ei为第i个高程片内二维点云离散点的数量；以高程片i为横坐标，第i个高程片内二维点云离散点的数量Ei为纵坐标建立高程统计分布直方图，并用巴特沃斯滤波器对高程统计分布直方图进行五点加权滤波：Ei,filt＝a1Ei-2+a2Ei-1+a3Ei+a4Ei+1+a5Ei+2i∈[3,M]a＝(a1,a2,a3,a4,a5)其中，Ei,filt为滤波后第i个高程片内二维点云离散点的数量，a1为滤波器第一加权系数，a2为滤波器第二加权系数，a3为滤波器第三加权系数，a4为滤波器第四加权系数，a5为滤波器第五加权系数；根据滤波后高程片内二维点云离散点的数量得到高程阈值：Ed,filt＝max{E1,filt,E2,filt,...,EM,filt}ET＝Ed,filt/2其中，max为求最大值，ET为高程阈值；当高程片(i，Ei,filt)i∈[1,M]满足以下条件：Ei<ET,i∈[3,M]；(i，Ei,filt)为非极小值点，即Ei,filt至少要大于Ei-1,filt，Ei+1,filt中的任意一个；lv×|i-d|>＝λ，d为Ed,filt对应的高程片；满足以上条件在|i-d|，i∈[1,M]中搜索最小值：当iL<d时，下限高程阈值Tstart＝lv×iL，|iL-d|在|i-d|，...

【专利技术属性】
技术研发人员：李松，王玥，黄科，田昕，马跃，周辉，张智宇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42