光子计数激光雷达采用单光子探测器,受背景环境、目标特征和仪器性能等因素的影响,在记录目标散射/反射回波信号的同时还记录了大量的背景噪声。为实现海量光子点云中地物信号光子的高精准识别,本文提出利用两级体素的光子点云自适应降...光子计数激光雷达采用单光子探测器,受背景环境、目标特征和仪器性能等因素的影响,在记录目标散射/反射回波信号的同时还记录了大量的背景噪声。为实现海量光子点云中地物信号光子的高精准识别,本文提出利用两级体素的光子点云自适应降噪方法,包括:1)利用光子点云的空间分布特征构建大尺度的体素,结合体素的密度属性筛选包含密集信号光子点云的体素,实现光子点云的粗降噪;2)基于最近邻距离建立粗降噪后光子点云的小尺度体素,并利用拓扑关系进一步提取聚集于地物表面的信号光子。以Ice,Cloud and land Elevation Satellite-2/Advanced Topographic Laser Altimeter System(ICESat-2/ATLAS)获取白昼与夜晚光子点云的ATL03级数据为实验数据,将提出方法与改进Density-Based Spatial Clustering of Applications with Noise(DBSCAN)、改进Ordering points to identify the clustering structure(OPTICS)以及ATL08级数据产品进行比较分析。结果表明,该方法具有最优的性能表现,其平均精度(P)、召回率(R)和F1分数(F1)分别达到0.98、0.97和0.98。展开更多
ICESat-2作为新一代多波束激光测高卫星采用了光子计数体制,其探测数据中存在大量噪声,造成光子数据在轨处理和传输时面临巨大挑战。为了在轨高效地对原始探测数据进行去噪处理,以降低星地传输数据量,本文设计了一种基于原始探测光子泊...ICESat-2作为新一代多波束激光测高卫星采用了光子计数体制,其探测数据中存在大量噪声,造成光子数据在轨处理和传输时面临巨大挑战。为了在轨高效地对原始探测数据进行去噪处理,以降低星地传输数据量,本文设计了一种基于原始探测光子泊松分布特性的直方图去噪算法。该算法分为光子点云的垂直直方图化和倾斜直方图化。首先,根据光子传输距离将点云数据段划分为二维格网形成垂直直方图,利用直方图箱光子数的均值和标准差计算信噪分离阈值,并对信号光子赋予低、中和高置信度标签来表征信号可靠性;其次,对识别的中、高置信度光子进行线性拟合获取坡度信息,将光子传输距离投影到沿坡面垂直的方向形成倾斜直方图,进行二次信号光子识别且合并置信度标签;最后,对噪声光子进行剔除以实现原始数据的压缩下传。同时,本文对比研究了基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法和对点排序以识别聚类结构(Ordering Points to Identify the Clustering Structure,OPTICS)算法性能。通过8种地类的ATL02数据开展测试实验,结果表明,DBSCAN算法会导致信号光子丢失,而OPTICS算法会产生虚假信号簇,相比之下,直方图算法有效避免了这些问题的产生,并且在实验中对不同地类具有较好的稳健性和适应性。在直方图算法中,垂直直方图算法对信号光子召回率R均为1,查准率P和调和F值平均在0.90以上,相较于垂直+倾斜直方图、DBSCAN和OPTICS的运行效率分别达到12倍、3473倍和1528倍以上,平均运行时间仅0.048 s,可高效实现数据去噪。垂直直方图算法去噪结果初步满足在轨处理效率要求(<0.25 s),本文有望为未来星载光子计数激光雷达数据的在轨去噪提供技术参考。展开更多
ICESat-2(Ice, Cloud, and land Elevation Satellite-2)是美国NASA(National Aeronautics and Space Administration)在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS(Advanced Topographic Laser Altimeter System)采用微脉...ICESat-2(Ice, Cloud, and land Elevation Satellite-2)是美国NASA(National Aeronautics and Space Administration)在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS(Advanced Topographic Laser Altimeter System)采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R2和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R2分别为1.0和0.70,RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。展开更多
文摘光子计数激光雷达采用单光子探测器,受背景环境、目标特征和仪器性能等因素的影响,在记录目标散射/反射回波信号的同时还记录了大量的背景噪声。为实现海量光子点云中地物信号光子的高精准识别,本文提出利用两级体素的光子点云自适应降噪方法,包括:1)利用光子点云的空间分布特征构建大尺度的体素,结合体素的密度属性筛选包含密集信号光子点云的体素,实现光子点云的粗降噪;2)基于最近邻距离建立粗降噪后光子点云的小尺度体素,并利用拓扑关系进一步提取聚集于地物表面的信号光子。以Ice,Cloud and land Elevation Satellite-2/Advanced Topographic Laser Altimeter System(ICESat-2/ATLAS)获取白昼与夜晚光子点云的ATL03级数据为实验数据,将提出方法与改进Density-Based Spatial Clustering of Applications with Noise(DBSCAN)、改进Ordering points to identify the clustering structure(OPTICS)以及ATL08级数据产品进行比较分析。结果表明,该方法具有最优的性能表现,其平均精度(P)、召回率(R)和F1分数(F1)分别达到0.98、0.97和0.98。
文摘ICESat-2作为新一代多波束激光测高卫星采用了光子计数体制,其探测数据中存在大量噪声,造成光子数据在轨处理和传输时面临巨大挑战。为了在轨高效地对原始探测数据进行去噪处理,以降低星地传输数据量,本文设计了一种基于原始探测光子泊松分布特性的直方图去噪算法。该算法分为光子点云的垂直直方图化和倾斜直方图化。首先,根据光子传输距离将点云数据段划分为二维格网形成垂直直方图,利用直方图箱光子数的均值和标准差计算信噪分离阈值,并对信号光子赋予低、中和高置信度标签来表征信号可靠性;其次,对识别的中、高置信度光子进行线性拟合获取坡度信息,将光子传输距离投影到沿坡面垂直的方向形成倾斜直方图,进行二次信号光子识别且合并置信度标签;最后,对噪声光子进行剔除以实现原始数据的压缩下传。同时,本文对比研究了基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法和对点排序以识别聚类结构(Ordering Points to Identify the Clustering Structure,OPTICS)算法性能。通过8种地类的ATL02数据开展测试实验,结果表明,DBSCAN算法会导致信号光子丢失,而OPTICS算法会产生虚假信号簇,相比之下,直方图算法有效避免了这些问题的产生,并且在实验中对不同地类具有较好的稳健性和适应性。在直方图算法中,垂直直方图算法对信号光子召回率R均为1,查准率P和调和F值平均在0.90以上,相较于垂直+倾斜直方图、DBSCAN和OPTICS的运行效率分别达到12倍、3473倍和1528倍以上,平均运行时间仅0.048 s,可高效实现数据去噪。垂直直方图算法去噪结果初步满足在轨处理效率要求(<0.25 s),本文有望为未来星载光子计数激光雷达数据的在轨去噪提供技术参考。
文摘ICESat-2(Ice, Cloud, and land Elevation Satellite-2)是美国NASA(National Aeronautics and Space Administration)在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS(Advanced Topographic Laser Altimeter System)采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R2和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R2分别为1.0和0.70,RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。
