海洋测深数据的抗差Kalman滤波

从线式测深模式要求出发,构建了海洋水深测量过程中的测船位置滤波模型和深度数据的滤波模型,并在此基础上,给出了测线上位置数据和深度数据Kalman滤波的一般解和抗差解,并结合海洋水深测量特点,构建了满足水深数据剔除异常值的截断权函数和滤波方案,实例分析表明,抗差滤波方法能够有效地控制测船位置粗差,在选择截断权函数情况下,抗差滤波方法能够有效地剔除水深跳点和假水深。     

考虑自然邻点影响域的多波束测深数据趋势面滤波改进算法

针对传统趋势面滤波法在多波束测深数据粗差探测方面存在曲面拟合函数不确定、滤波不彻底以及部分水深点被不合理剔除的问题,通过引入散乱水深点局部最小范围——自然邻点影响域的概念,提出一种基于自然邻点影响域的多波束测深数据趋势面滤波改进算法。首先,通过对自然邻点影响域内的局部曲面进行分析,构造了影响域内特定局部坐标系下的统一曲面拟合函数;然后,利用该统一曲面拟合函数按照所提传递式迭代趋势面滤波法进行顺次迭代,逐步滤除影响正常水深点判定的粗差数据;最后,根据突变地形边界点在其相邻邻域地形内连续性不一致的特性,建立了面向突变地形边界点的判断准则。试验结果表明：该改进算法可适应不同复杂程度的海底地形,有效剔除多波束水深数据中的粗差点,同时对实际海底地形中的正常水深点和各种特殊水深点进行保留,显著提高了海底地形表达的精度。     

结合不确定度与密度聚类算法的多波束异常值自动滤波算法

本文在复现CUBE滤波算法的基础上,借鉴其网格节点可吸收水深点选取模型,提出了一种结合不确定度与密度聚类算法的多波束异常值自动滤波算法。本文使用DBSCAN密度聚类算法对水深值加以聚类,使用卡尔曼滤波推估节点水深值,选取具有最小不确定的水深假设作为节点水深值,实现对多波束测深数据异常值的有效清理。实测数据和仿真试验结果表明：CUBE滤波算法不能将连续异常值完全剔除,而本文算法能够较好地去除连续异常值。本文算法流程明晰、参数简单、性能可靠,对数据质量较差的情况下较多异常值也能够进行清理,具有实际的工程应用价值。     

结合形态学和TIN三角网的机载LiDAR点云滤波算法

针对传统不规则三角网滤波精度依赖于初始种子点选取的问题,提出一种结合形态学与不规则三角网的机载LiDAR点云滤波算法。首先采用KD树粗差剔除方法对异常点进行剔除,然后利用数学形态学滤波算法对粗差剔除后的点云进行粗滤波,最后采用改进的不规则三角网滤波算法对上述结果进行精滤波。三角网迭代滤波过程中每次对滤波得到的地面点进行整体构网,减少了构网次数以及离散点之间的相互影响。实验选取国际摄影测量与遥感协会提供的3组测试数据进行滤波,结果表明本文方法能够有效降低I类误差和II类误差,验证本文滤波算法的可靠性。     

一种基于平面拟合的LIDAR点云滤波方法

LIDAR点云滤波是将LIDAR点云数据中的地面点和非地面点分离的过程。根据在较小区域内可以近似认为地面为一平面,本文提出了一种应用平面拟合的方法,首先在一个局部区域内拟合出一个近似平面,通过判断LIDAR点是否属于该平面来获取平面点,并通过分类处理从平面点中得到地面点,最后用得到的地面点内插出DEM。滤波前,需要剔除高程异常点,本文应用了高程差约束算法抑制高程异常点,从而较好地保持了原始数据的局部细节信息。     

二次CUBE滤波算法及在边坡乱石区测深数据处理中的应用

针对传统CUBE（combined uncertainty bathymetry estimation）算法在水下边坡乱石区多波束测深数据滤波中表现出的水深估计不准确、地形特征模糊和粗差剔除能力不足等问题,基于乱石区测深数据特点,提出二次CUBE滤波算法,给出了位置和水深同步估计的思想和方法、顾及地形梯度的平面和水深不确定度传递模型、参考水深的多重估计和优选新算法,以及顾及地形梯度的二次水深估计模型,综合实现了乱石区水深的准确估计和粗差的自动准确检测。试验表明,本文给出的方法实现了粗差的自动准确剔除,提高了传统CUBE算法水深估值的精度,算法效率和抗差性更强,形成的地形特征更加准确。     

资源三号多光谱影像波段配准误差评价

本文以资源三号多光谱影像谱段配准误差影像作为研究对象,分别采用传统均值滤波、中值滤波、高斯滤波及非局部均值滤波算法对配准误差影像进行噪声滤除,从垂轨和沿轨第一列像元配准误差结果可知,不同去噪算法均可降低噪声对误差统计结果影响,并且垂轨和沿轨的第一列配准误差经非局部均值滤波算法处理后分别从0.20和0.15像元减少至0.10和0.05像元,两个方向上的误差分布均更为稳定。因此选取非局部均值滤波算法进行噪声滤除可减弱地物特征对谱段配准影响,能更科学评价影像谱段配准精度,间接反映配准误差与卫星平台之间的相对关系。     

多波束测深异常数据检测与剔除方法研究综述

针对多波束测深数据处理在测深异常数据检测与剔除方法上存在的不足,综合分析了近几十年国内外研究人员在多波束测深异常数据检测与剔除方法方面的研究成果,根据工作原理将其分为基于数据统计理论和基于函数或统计推值比较两类方法,选取中值滤波、小波分析、CUBE算法、趋势面滤波、最小二乘支持向量机滤波法等典型的多波束异常数据检测方法进行重点介绍,并通过列表的方式对不同检测方法进行优缺点对比分析。最后总结了多波束测深异常数据检测与剔除方法研究的现状和趋势。     

基于扫描线的车载激光雷达点云滤波方法

在分析车载激光点云扫描特征的基础上,提出了一种基于扫描线的车载激光雷达点云滤波方法.首先利用坡度差值将扫描线分成不同的线段集合,剔除原始点云数据中的离散点;然后对各线段集合赋予相应属性来进行分类;最后利用局部线性回归进一步对分类结果进行精化.对比实验表明:该滤波方法不但能够成功提取建筑物立面点,而且还能很好地保持建筑物立面的细节特征.     

一种基于水深点坡向关系的特征浅点提取方法

针对当前手工作业选取水深特征浅点效率低、易发生遗漏等不足,提出了一种基于数字海图水深点坡向关系的特征浅点提取方法。在对水深数据进行加权Delaunay三角网构建的基础上,利用空间规则确定不同水深点间的坡向关系,提取水深点集的隐含特征线,最后实现水深特征浅点的自动提取。试验证明:本文方法有效可行,可明显提高水深特征浅点提取的效率,避免水深特征浅点的遗漏。     

以窗口化和地形坡度为基础的植被茂密区域点云滤波算法

三维激光扫描仪获得经典地貌的点云数据,需进行滤波剔除地面植被。由于植被茂密区域点云密集或遮挡,地面点极少,无法拟合出地形表面,这部分植被点很难剔除。针对植被茂密区域点云数据的特点,本文提出以窗口化和地形坡度为基础的植被茂密区域点云滤波算法,认为非地形坡度引起的高程差异的两相邻点中,较高的点为非地面点。试验结果表明,本文算法可以很好地去除植被茂密区域中低矮的植被点,保留真实的地面点,提高了植被茂密区域点云滤波的处理精度。     

联合区域叠加滤波法与小波变换去除GPS站坐标时间序列噪声

GPS站坐标时间序列中存在的周期性与非周期性误差严重影响了对测站运动特征的分析及其非线性变化的物理机制解释。因此,为削弱噪声的影响,本文首先利用区域叠加滤波法去除了南加利福尼亚地区16个测站时间序列的共模误差,以此削弱时间序列中存在的包括周年和半周年误差在内的周期性误差。为去除滤波后残留的噪声,对滤波后的信号进行静态离散小波变换,提取了周期为半周年以上的信号。结果表明,联合区域叠加滤波法与小波变换对GPS站坐标时间序列进行处理,既能够削弱周期性误差对信号的影响,又能较好地提取测站的非线性运动信号。     

An Adaptive Contoured Window Filter for Interferometric Synthetic Aperture Radar

An adaptive contoured window filter is proposed to filter off the noise from phase images of interferometric synthetic aperture radar (InSAR) in this letter. The contoured windows can best satisfy the requirement that constrains the phase signal constant inside windows on which low-pass filtering can remove the noise well while the fringe phases are well preserved. The contoured windows are determined by tracing along the local fringe orientation. An algorithm for determining window sizes adaptive to the fringe density is also proposed. The theoretical analysis and experiments prove that the proposed filter can greatly remove decorrelation noise while preserving the fringe phase well, even for those fringes with strong curvatures for InSAR processing     

ICESat-2机载试验点云滤波及植被高度反演

新一代星载激光雷达卫星ICESat-2将采用多波束微脉冲光子计数技术,并进行高程剖面式的对地观测。由于该点云数据具有背景噪声大、密度低并呈线状分布等特点,传统的点云滤波算法并不适用,研究新的点云滤波算法十分必要。本文以ICESat-2的机载模拟器MABEL数据为例,首先介绍了微脉冲光子计数激光雷达的基本原理和数据特点,并针对高程剖面点云提出基于局部距离统计和最小二乘局部曲线拟合的点云滤波算法;然后,对美国加利福尼亚州Sierras-Forest地区MABEL试验中532 nm通道的光子点云进行滤波处理,并利用识别的地面点插值得到3 m分辨率的线状DEM,进而估算了该区域美国云杉的平均树高;最后,对该滤波算法进行精度评价,并分析了误差来源及其对DEM精度和树高反演精度的影响。结果表明:(1)该算法整体精度达97.6%,能有效剔除绝大部分噪声点且对地形起伏具有较强的自适应能力;(2)误分噪声点影响了滤波过程中局部地形的拟合,而滤波过程中的分类误差将降低DEM和树高反演的精度。     

倾斜影像中提取高精度DEM的方法研究

针对传统航空影像获取的DSM在立面及局部地面、建筑物屋顶空间信息的不足,获取高精度DEM较为困难的问题,提出了基于倾斜影像提取高精度DEM的方法。首先对倾斜影像获取的点云DSM结构进行分析,得出了DSM具有几何约束特点,能够在城区很好地区分地面点和地物点;然后指出对DSM滤波处理是获取高精度数字高程模型（DEM）的关键技术,提出了基于法向量差值区域生长分割TIN的滤波方法;最后选取吉林省敦化市的倾斜影像数据进行了滤波试验和算法验证。试验结果表明,该方法能够快速、有效地滤除不同尺寸的建筑物、植被和其他地物,获取高精度DEM。     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology. However, it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points. The paper analyzes the characteristics of Laplacian of Gaussian (LoG) Filter and its potential use for structure detection in LiDAR data. A feature detection method based on LoG filtering is presented and experimented on the unstructured points. The method filters the elevation value (namely, z coordinate value) of each point by convolution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground objects/features. The experiments are carried on a point cloud dataset acquired from a neighborhood area. The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size, which specifies the local area that is analyzed.     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology.However,it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points.The paper analyzes the characteristics of Laplacian of Gaussian(LoG) Filter and its potential use for structure detection in LiDAR data.A feature detection method based on LoG filtering is presented and ex-perimented on the unstructured points.The method filters the elevation value(namely,z coordinate value) of each point by convo-lution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground ob-jects/features.The experiments are carried on a point cloud dataset acquired from a neighborhood area.The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size,which specifies the local area that is analyzed.     

InSAR干涉图滤波方法研究

探讨多视滤波法、中值滤波法、基于梯度的自适应滤波、additive滤波法四种抑制干涉图噪声的滤波方法.多视滤波法平滑了影像数据,是以牺牲空间分辨率为代价的,通常这种滤波处理应用在从两个单视影像获得的复数影像处理中;作为一种传统的抑制噪声方法,中值滤波技术实质上是一种非线性信号处理技术,它假设噪声具有极端的数值,即在所定义的平滑模板内为最(较)大值或最(较)小值,因此它会使得干涉图丢失一些信息;基于梯度的自适应法是基于梯度的一种中值滤波,它使得边缘更加清晰,该方法可与中值滤波联合使用;Addtive滤波法强调根据局部噪声状况和使用方向平行窗口得到的滤波噪声边缘来自适应的滤除噪声,对于局部噪声状况由关联图来决定.这种方法尤其对高关联的干涉图最为可取.     

基于统计数据选取种子点的LiDAR点云迭代滤波算法

经典的渐进三角网滤波算法在LiDAR点云数据处理中应用十分广泛,但其滤波精度很大程度上取决于种子点选取的正确率。本文针对这一问题,在渐进三角网加密算法基础上提出了一种基于小格网高程、均方差和点密度统计数据选取种子点的迭代滤波算法。实验结果表明,本文的迭代滤波算法可有效避免低点等非地面点对种子点选取的干扰,且滤波结果生成的DEM精度较高,具有一定的实用性。     

一种利用卷积神经网络的干涉图去噪方法

干涉图滤波是合成孔径雷达数据处理的关键,引入卷积神经网络（convolutional neural networks,CNN）进行干涉图去噪。首先,采用自编码器结构进行非监督学习,将干涉图去除局部地形坡度相位,所得残余噪声作为模型输入;然后将模型输出结果与去除的局部地形坡度相位相加,生成滤波结果。利用航天飞机成像雷达数据和哨兵一号A(Sentinel-1A)卫星数据,通过与Goldstein滤波器、均值滤波器、Lee滤波、Frost滤波、改进的去噪卷积神经网络（denoising convolutional neural network,DnCNN）进行对比实验,结果表明,该方法对干涉图相位质量有很大的改善,不仅能够较大程度地抑制噪声,而且能够更多地恢复出图像细节,保持干涉条纹边缘连续性。