System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术公开星载激光雷达的光子提取方法,属于激光雷达测量。
技术介绍
1、icesat-2是美国nasa在2018年发射的新一代冰、云和陆地高程卫星,icesat-2低能耗、高探测灵敏度、高重复频率的特性大改善了沿轨采样密度,但由于icesat-2光子计数激光雷达发射和探测的激光脉冲都为弱信号,难以区分目标物体。表面返回脉冲、大气散射、太阳辐射及仪器自身噪声,导致其回波数据中掺杂了大量的背景噪声。在强噪声背景下,较低的信噪比使得信号光子与噪声光子难以区分,如何从背景噪声中提取信号光子已成为icesat-2数据应用的一项关键而基础的工作,有效实现光子点云分类成为后续应用的关键。
技术实现思路
1、本专利技术的目的在于提供星载激光雷达的光子提取方法,以解决现有技术中,从背景噪声中提取信号光子难的问题。
2、星载激光雷达的光子提取方法,包括处理全球定位点云数据,手动对点云数据做标签,获取数据源,根据数据源建立点云栅格化图片数据集,构建神经网络做监督训练,进行点云分类,执行点云信息恢复,将信息恢复后的点云与真实标注点云数据做精度验证。
3、手动对点云数据做标签包括:标签1代表噪声点,标签2代表信号点。
4、根据数据源建立点云栅格化图片数据集包括采用全球定位点云数据atl03作为去噪的实验数据,根据沿轨距离信息和高程信息,设置栅格分辨率,将光子点云栅格化影像作为输入数据,栅格化包括:
5、s1.设置栅格分辨率,点云数据足印间距为0.7m,设置
6、栅格化包括:
7、s2.创建栅格,根据栅格分辨率采样:
8、y_range=y_min:y_resolution:y_max;
9、x_range=x_min:x_resolution:x_max;
10、式中,y_range和x_range分别是高程何沿轨距离根据栅格分辨率生成的一维矩阵,y_min为裁切窗口的高程初始值,y_max为裁切窗口的高程末端值,x_min为裁切窗口沿轨距离初始值,x_max为裁切窗口沿轨距离末端值,x_resolution为沿轨距离分辨率,y_resolution为高程分辨率;
11、创建两个二维矩阵x_grid和y_grid,x_grid和y_grid分别根据x_range和y_range获得,x_grid中每行对应于网格沿轨距离值,y_grid中每列对应于沿网格高程信息的数值。
12、栅格化包括:
13、s3.构建kd树索引,判断栅格点是否在每个数据点附近,选择裁切范围内的点云数据;
14、根据x_grid的行转置生成沿轨距离的kd树矩阵kd_tree_x,根据y_grid生成高程的kd树矩阵kd_tree_y,两个kd树矩阵大小的维度都为512×1,包含栅格坐标信息,执行k近邻搜索,将每个栅格与裁切窗口内每个数据点真实对应的沿轨距离信息b(i,1)、高程信息b(i,2)相匹配起来,快速找到栅格临近数据点,并获得相应的栅格索引号id_x,id_y,式中,i表示第i个数据点。
15、栅格化包括:
16、s4.根据分类标签批量生成数据集,将所有栅格的像素值设置为0值,初始化为黑色,通过遍历索引号,进而根据点云栅格对应的标签值添加对应颜色生成神经网络训练需要的数据集;
17、s4.1.生成原始图像,读取点云数据,根据标签值,有信号点位置像素值为1,为白色,无信号点位置像素值为0,为黑色,在沿轨距离方向生成点云栅格化后的黑白二值图像,图像大小维度为[512,512,1],以png格式保存黑白二值图像;
18、s4.2.生成掩膜图像,根据已有标签值,标签数值1对应噪声点,根据标签值加颜色,噪声点对应栅格为绿色,rgb值为[0,255,0],标签2为有效信号点,对应栅格位置为红色,rgb值为[255,0,0];
19、s4.3.以png格式保存彩色图像,图像大小维度为[512,512,3];
20、s4.4.在沿轨距离方向上,利用滑动窗口进行裁切,批量生成[512,512,1]的二值化原始栅格图像和批量生成[512,512,3]的彩色掩膜栅格图像,构建网络模型训练需要的数据集。
21、构建神经网络做监督训练包括:
22、t1.将数据集划分为训练集和验证集,按照8:2的比例划分训练集和验证集;
23、t2.设置神经网络模型主体结构,包括三层;
24、t2.1.第一层是主干特征提取,利用主干特征提取获得一个又一个的特征层,利用主干特征提取部分可以获得五个初步有效特征层,分别为conv1、conv2、conv3、conv4、conv5;
25、conv1:进行两次[3,3]的32通道的same卷积,获得一个[512,512,32]的初步有效特征层,再进行2x2最大池化,将图像下采样至原来的二分之一,获得一个[256,256,32]的特征层,随后进入conv2层;
26、conv2:进行两次[3,3]的64通道的same卷积,获得一个[256,256,64]的初步有效特征层,再进行2x2最大池化,将图像下采样至原来的二分之一,获得一个[128,128,64]的特征层,随后进入conv3层;
27、conv3:进行两次[3,3]的128通道的same卷积,获得一个[128,128,128]的初步有效特征层,再进行2x2最大池化,将图像下采样至原来的二分之一,获得一个[64,64,128]的特征层,随后进入conv4层;
28、conv4:进行两次[3,3]的256通道的same卷积,获得一个[64,64,256]的初步有效特征层,再进行2x2最大池化,将图像下采样至原来的二分之一,获得一个[32,32,256]的特征层,随后进入conv5层;
29、conv5:进行两次[3,3]的512通道的same卷积,获得一个[32,32,512]的初步有效特征层。
30、构建神经网络做监督训练包括:
31、t2.2.第二层是加强特征提取层,利用主干提取部分获取到的五个初步有效特征层进行上采样,并且进行特征融合,获得融合所有特征的有效特征层,利用初步有效特征层进行特征融合,特征融合的方式是对特征层进行上采样并且进行堆叠,最终获得的特征层和输入图片的高宽相同,第二层包括四个上采样层up6、up7、up8、up9,四个特征层conv6、conv7、conv8、conv9:
32、up6:对conv5进行上采样采用same卷积并与conv4特征串联起来,构建跳跃链接,随后进入conv6层;
33、conv6:进行两次[3,3]的256通道本文档来自技高网...
【技术保护点】
1.星载激光雷达的光子提取方法,其特征在于,包括处理全球定位点云数据,手动对点云数据做标签,获取数据源,根据数据源建立点云栅格化图片数据集,构建神经网络做监督训练,进行点云分类,执行点云信息恢复,将信息恢复后的点云与真实标注点云数据做精度验证。
2.根据权利要求1所述的星载激光雷达的光子提取方法,其特征在于,手动对点云数据做标签包括:标签1代表噪声点,标签2代表信号点。
3.根据权利要求2所述的星载激光雷达的光子提取方法,其特征在于,根据数据源建立点云栅格化图片数据集包括采用全球定位点云数据ATL03作为去噪的实验数据,根据沿轨距离信息和高程信息,设置栅格分辨率,将光子点云栅格化影像作为输入数据,栅格化包括:
4.根据权利要求3所述的星载激光雷达的光子提取方法,其特征在于,栅格化包括:
5.根据权利要求4所述的星载激光雷达的光子提取方法,其特征在于,栅格化包括:
6.根据权利要求5所述的星载激光雷达的光子提取方法,其特征在于,栅格化包括:
7.根据权利要求6所述的星载激光雷达的光子提取方法,其特征在于,构建神
8.根据权利要求7所述的星载激光雷达的光子提取方法,其特征在于,构建神经网络做监督训练包括:
9.根据权利要求8所述的星载激光雷达的光子提取方法,其特征在于,构建神经网络做监督训练包括:
10.根据权利要求9所述的星载激光雷达的光子提取方法,其特征在于,点云信息恢复包括:
...【技术特征摘要】
1.星载激光雷达的光子提取方法,其特征在于,包括处理全球定位点云数据,手动对点云数据做标签,获取数据源,根据数据源建立点云栅格化图片数据集,构建神经网络做监督训练,进行点云分类,执行点云信息恢复,将信息恢复后的点云与真实标注点云数据做精度验证。
2.根据权利要求1所述的星载激光雷达的光子提取方法,其特征在于,手动对点云数据做标签包括:标签1代表噪声点,标签2代表信号点。
3.根据权利要求2所述的星载激光雷达的光子提取方法,其特征在于,根据数据源建立点云栅格化图片数据集包括采用全球定位点云数据atl03作为去噪的实验数据,根据沿轨距离信息和高程信息,设置栅格分辨率,将光子点云栅格化影像作为输入数据,栅格化包括:
4.根据权...
【专利技术属性】
技术研发人员:刘振,江国辉,马跃,刘昊,李开阳,成法志,訾义龙,周宇航,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。