多级滤波算法的日间条件下不同波束光子云数据去噪方法技术

本发明专利技术涉及多级滤波算法的日间条件下不同波束光子云数据去噪方法，包括：通过读取光子点云数据并转换为沿轨距离

【技术实现步骤摘要】
多级滤波算法的日间条件下不同波束光子云数据去噪方法


[0001]本专利技术涉及数据去噪
，特别是涉及多级滤波算法的日间条件下不同波束光子云数据去噪方法。

技术介绍

[0002]激光雷达(Light Detection and Ranging，LiDAR)作为主动式遥感探测技术，通过计算激光能量脉冲在传感器与目标之间的往返时间，能够快速准确获取地表三维数据。基于搭载平台不同，可分为地基激光雷达、机载激光雷达和星载激光雷达，其中星载激光雷达具有运行轨道高、观测范围广及免费获取等优点，因而在获取大区域地表三维数据方面具有独特的优势。冰云陆地高程卫星
‑
2(Ice，cloud，and land elevation satellite
‑
2，ICESat
‑
2)作为目前唯一的光子体制激光测高卫星，通过搭载先进地形激光高度计系统(Advanced Topographic Laser Altimeter System，ATLAS)激光测高仪，采用微脉冲多波束光子技术激光雷达，可以获取光斑更小密度更高的光子点云数据，具有高灵敏、高重频的特点。但光子计数激光雷达发射的激光脉冲为弱信号，受噪声影响相对较大，而系统却无法在硬件层面对其进行区分，因而只能将噪声信号也一起记录到的光子事件生成点云，从而导致光子计数点云包含大量的噪声点。因此如何有效区分噪声与有用信号是后续光子激光雷达数据应用的关键。
[0003]目前，针对光子激光雷达数据的去噪处理方法包括粗去噪和精去噪两部分，其中粗去噪所用方法主要有辅助数据法、极值法、网格法等，此类方法大都基于光子密度及空间分布特征寻找信号点云的大致所在并设定阈值，以剔除明显的噪声点，从而减少滤波处理计算工作量，提高处理效率。而精去噪则是对数据进行精确滤波，主要采用以下三类方法：1)采用点云栅格化的方式利用图像处理算法进行滤波；2)采用密度聚类算法进行滤波；3)采用局部参数统计算法进行滤波。其中，点云栅格化法虽能较好的实现噪声信号去除，但光子点云在栅格化的过程中会导致信号的丢失。而密度聚类和局部参数统计算法则是基于信号与噪声空间分布特征进行去噪处理，不仅能够较好的保留饿信号的信息，而且能够较好实现去噪效果，因此此类算法及其改进算法在光子云数据去噪方法中得到广泛应用。现有技术表明虽然对此类算法进行改进可以有效提升算法的去噪精度以及适应性，但只采用单级滤波算法其去噪能力有限，因而逐渐发展成将多个单级滤波算法结合的多级滤波算法，以期能够综合各单级滤波算法的优势，从而达到
‘
1+1>2
’
的效果。
[0004]综上所述可知，多级滤波算法可以实现光子点云数据的精确去噪，其中所用粗去噪算法原理及性能大同小异，只要能在保留有用信号的同时减少噪声量即可，因而多级滤波算法的性能主要体现在精去噪部分，而目前大多数方法采用基于密度聚类与局部参数统计的方法进行多级组合滤波，但基于密度聚类和局部参数统计相组合的多级滤波算法大都受参数选择和研究区环境复杂程度的影响，因此针对两类算法的改进多集中于以下两个方面：1)如何降低算法对输入参数的敏感性以提高算法的适用性；2)如何改进搜索域的形状大小及方向以提高算法在地形复杂区域的精度。然而先前方法多针对其中一个方面进行改
进，很少综合考虑二者进行一同改进。与此同时，由于强/弱波束激光强度不同，导致其光子分布特征也不完全一致，因此在对算法进行改进的同时需要结合强/弱波束数据各自特征分别进行去噪处理以进一步提高数据去噪结果。然而，先前方法多是对强/弱光子云数据进行统一处理，而未对强/弱光子云数据分别进行去噪处理，并对去噪结果进行分别统计以验证滤波算法对强/弱光子去噪结果的差异。因夜间数据受噪声影响相对较小，因而通常采用单级滤波器即可实现较高的去噪精度，相对而言，日间数据因受强烈的太阳噪声影响，去噪难度更大，因此本专利技术仅针对受噪声影响较大的日间条件下强\弱波束光子云数据进行去噪处理。

技术实现思路

[0005]本专利技术的目的是提供了多级滤波算法的日间条件下不同波束光子云数据去噪方法，能够更好实现日间高背景噪声光子云数据精确去噪，适用性更强。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]多级滤波算法的日间条件下不同波束光子云数据去噪方法，包括：
[0008]步骤1：输入日间光子点云数据，读取其经纬度、高程信息，将数据转化为沿轨距离
‑
高程的形式，基于RANSAC算法进行第一级去噪，即粗去噪；
[0009]步骤2：基于粗去噪后的所述日间光子云数据，进行点云特征分析，获取各窗口下的水平方向连续性参数，并以所述水平方向连续性参数为参考依据，自适应的改进第二级去噪算法，即精去噪，搜索域的形状、大小和方向参数；
[0010]步骤3：基于OPTICS密度聚类算法和RNR
‑
KNNB算法组合的多级滤波算法对粗去噪后的所述日间光子云数据进行第二级去噪，并获取可达距离排序和局部距离统计值，采用最大类间方差的方法对所述可达距离排序和所述局部距离统计值进行阈值分割，根据阈值分割结果设定去噪阈值，基于所述去噪阈值，去除噪声光子，并对第二级去噪后的所述日间光子云数据进行判定；
[0011]步骤4：判定输入数据是否为日间弱波束数据，如若是则对步骤3精去噪结果采用RANSAC算法进行异常数据去除，当第二级去噪后的所述光子云数据判断为日间强光束时，则对所述光子云数据不做处理。
[0012]可选地，所述步骤1包括如下步骤：
[0013]步骤1.1：光子云数据读取，采用NASA所发布的ICESat
‑
2/ATLAS数据产品中的ATL03和ATL08，其中：ATL03数据提供了每个光子的时间，经纬度以及高程信息；ATL08数据则是基于ATL03数据通过NASA官方算法进行去噪分类后的产品，两数据格式均为HDF5格式；
[0014]其中，针对ATL03数据确定滤波方向并进行滤波处理，ATL08数据则是作为官方结果进行精度对比，所述日间光子点云数据可通过HDFView、PhoReal软件或者自行编程读取，并将数据转化为沿轨距离
‑
高程的形式；
[0015]步骤1.2：基于RANSAC算法对步骤数据1.1所读取数据进行第一级去噪包括：
[0016]S1.通过等沿轨距离的方法对所述日间光子云数据进行分窗口处理，将所述光子云数据转化为沿轨距离
‑
高程的形式，并按预设沿轨距离间隔进行划分；
[0017]S2.随机从各窗口内选择不重复的点作为子集，根据所述子集进行模型拟合，获取模型参数并建立三参数曲线拟合模型；
[0018]S3.基于所述三参数曲线拟合模型对所有点进行检查，并更新所述模型参数及所述模型参数对应的内点个数；
[0019]S4.重复S1
‑
S3，直到满足预设最大迭代次数，统计各个所述三参数曲线拟合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多级滤波算法的日间条件下不同波束光子云数据去噪方法，其特征在于，包括：步骤1：输入日间光子点云数据，读取其经纬度、高程信息，将数据转化为沿轨距离
‑
高程的形式，基于RANSAC算法进行第一级去噪，即粗去噪；步骤2：基于粗去噪后的所述日间光子云数据，进行点云特征分析，获取各窗口下的水平方向连续性参数，并以所述水平方向连续性参数为参考依据，自适应的改进第二级去噪算法，即精去噪，搜索域的形状、大小和方向参数；步骤3：基于OPTICS密度聚类算法和RNR
‑
KNNB算法组合的多级滤波算法对粗去噪后的所述日间光子云数据进行第二级去噪，并获取可达距离排序和局部距离统计值，采用最大类间方差的方法对所述可达距离排序和所述局部距离统计值进行阈值分割，根据阈值分割结果设定去噪阈值，基于所述去噪阈值，去除噪声光子，并对第二级去噪后的所述日间光子云数据进行判定；步骤4：判定输入数据是否为日间弱波束数据，如若是则对步骤3精去噪结果采用RANSAC算法进行异常数据去除，当第二级去噪后的所述光子云数据判断为日间强光束时，则对所述光子云数据不做处理。2.根据权利要求1所述的多级滤波算法的日间条件下不同波束光子云数据去噪方法，其特征在于，所述步骤1包括如下步骤：步骤1.1：光子云数据读取，采用NASA所发布的ICESat
‑
2/ATLAS数据产品中的ATL03和ATL08，其中：ATL03数据提供了每个光子的时间，经纬度以及高程信息；ATL08数据则是基于ATL03数据通过NASA官方算法进行去噪分类后的产品，两数据格式均为HDF5(.h5)格式；其中，针对ATL03数据确定滤波方向并进行滤波处理，ATL08数据则是作为官方结果进行精度对比，所述日间光子点云数据可通过HDFView、PhoReal软件或者自行编程读取，并将数据转化为沿轨距离
‑
高程的形式；步骤1.2：基于RANSAC算法对步骤数据1.1所读取数据进行第一级去噪包括：S1.通过等沿轨距离的方法对所述日间光子云数据进行分窗口处理，将所述光子云数据转化为沿轨距离
‑
高程的形式，并按预设沿轨距离间隔进行划分；S2.随机从各窗口内选择不重复的点作为子集，根据所述子集进行模型拟合，获取模型参数并建立三参数曲线拟合模型；S3.基于所述三参数曲线拟合模型对所有点进行检查，并更新所述模型参数及所述模型参数对应的内点个数；S4.重复S1
‑
S3，直到满足预设最大迭代次数，统计各个所述三参数曲线拟合模型所获取到的内点个数，将内点数量最多的所述三参数曲线拟合模型记为最优模型并输出。3.根据权利要求2所述的多级滤波算法的日间条件下不同波束光子云数据去噪方法，其特征在于，所述步骤2包括：步骤2.1：将目标点作为原点，以所述目标点的横坐标作为X轴，所述目标点的纵坐标作为Y轴，将第一级去噪后的所述光子云数据数据划分成四个象限，分别在四个象限内找到与所述目标点最邻近的点作为邻近点，最后统计所述邻近点与所述目标点连线与水平方向的夹角；步骤2.2：对所述夹角进行归纳统计，对归纳统计后的所述夹角进行去除垂直...

【专利技术属性】
技术研发人员：尤号田，覃志刚，黄元威，唐旭，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：