基于GPGPU的全波形并行分解算法

针对EM(Expectation Maximization)波形分解算法具有多次迭代和大量乘、除、累加等高密集运算的特点,提出一套将EM算法在通用计算图形处理器GPGPU上并行化的方案。针对通用并行计算架构CUDA的存储层次特点,设计总体的并行方案,充分挖掘共享存储器、纹理存储器的高速访存的潜能;根据波形采样值采用字节存储的特征,利用波形采样值的直方图求取中位数,从而降低求噪音阈值的计算复杂度;最后,采用求和规约的并行策略提高EM算法迭代过程中大量累加的计算效率。实验结果表明,当设置合理的并行参数、EM迭代次数大于16次、数据量大于64 M时,与单核CPU处理相比,GPU的加速比达到了8,能够显著地提高全波形分解的效率。     

基于分组LM算法的全波形LiDAR高斯分解

LM(Levenberg-Marquardt)算法是全波形机载激光雷达(Li DAR)数据高斯分解中求解模型参数的一种方法。针对其结果在一定程度上依赖初值、雅克比矩阵出现非数值导致无结果等问题,本文提出分组LM算法,以广义高斯混合函数为模型,模型参数初始化后,将参数分组并使用LM算法依次对各组参数进行优化,并生成点云。为验证结果的可靠性,以系统点云为参考,与基于改进的EM(Expectation Maximum)算法全波形分解法做对比。结果表明,本方法不仅得到较高质量的点云,而且得到回波位置和宽度等信息。     

基于Moore-Penrose广义逆及立体矩阵的可分离非线性最小二乘解算方法

针对测绘领域中函数模型为非线性函数的线性组合的特殊结构,本文提出了基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法。该方法首先利用变量投影算法消除可分离非线性模型中的线性参数,将包含两类参数的原非线性优化问题转化为仅含有非线性参数的最小二乘问题。然后,基于Moore-Penrose广义逆矩阵的微分和立体矩阵理论计算最小二乘目标函数的一阶导数,进而采用非线性优化的LM方法求解非线性参数的最优估值。最后,根据最小二乘方法求解线性参数的最优估值。通过指数函数模型拟合和机载LiDAR全波形参数求解试验与传统参数不分离优化方法进行对比,结果表明,基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法对待求参数初值依赖性低,同时避免了迭代过程中线性参数导致的病态问题,算法稳定性好,为测绘领域中可分离非线性最小二乘问题的解算提供了一种思路,也拓展了可分离非线性最小二乘方法的应用。     

改进LM模型在机载小光斑LiDAR数据分解中的应用

机载小光斑Li DAR是近年来遥感领域的新兴技术,它对回波脉冲进行全数字化的记录,通过分解返回波形能够得到更加丰富的信息。针对传统LM波形分解算法容易陷入局部最优的问题,引入改进LM模型,采用信赖域技巧使得参数解全局收敛。实验证明,该方法相比传统LM能够得到更加可靠的波形分解结果,并且对城区、郊区和山地区域适应性好,具有较强实用价值。     

基于矩阵分解的可分离非线性最小二乘问题求解方法及其应用EI北大核心CSCD

针对可分离非线性函数模型的特殊结构,本文使用变量投影法(VP)将线性参数与非线性参数分离开来,并分别与矩阵的满秩分解、QR分解、奇异值分解和施密特正交化相结合,对两类参数分别求解,缩短了计算机解算方程组的运算时间,使算法更加高效,同时也使得具有一定病态程度的方程组在解算过程中保持相对较好的稳定性。本文利用Mackey-Glass时间序列拟合试验和空间直角坐标转换参数解算试验对比分析了基于不同矩阵分解方法的算法优劣性。试验结果表明,基于矩阵分解的改进变量投影法具有高效的运算效率与稳定的解算过程,也适用于解算空间直角坐标转换参数问题。     

大光斑激光雷达数据的森林冠层高度反演

针对传统的LM波形分解算法在GLAS大光斑波形数据处理中容易陷于局部最优解,限制了GLAS大光斑激光雷达数据在森林结构参数反演方面应用的问题,该文结合GLAS大光斑数据特征,引进优化后的EM算法对大光斑全波形数据进行分解,获取波形参数最优值。结合波形前缘长度和波形后缘长度,建立树高反演模型,并与LM分解算法建立的模型进行对比分析。研究结果表明,通过改进的EM算法对GLAS大光斑激光雷达数据进行处理,波形特征参数的获取更为精确,达到了较高的树高反演精度。     

高斯混合模型在星载激光全波形数据反演树高中的应用

全波形激光雷达后向散射回波,通过分解返回波形获取多种地物属性信息,在森林结构参数反演方面具有显著的优势,但是,当波形变形或者存在饱和度和前向散射时,高斯分量参数确定不准确以及有效波形起始位置不准确,降低波形分解精度。本文采用高斯混合模型对波形进行拟合,利用期望最大算法估计混合模型参数,抑制高斯分量初值敏感问题,特别是在大范围树高估算且要求一定精度的时候,以确定波形分解并且反演树高。本算法基于C++编程实现,实验结果表明,高斯混合模型能较好地拟合GLAS波形数据且对树高提取精度提升明显,该方法有着很好的有效性、稳定性和精确性。     

全波形激光雷达回波分解方法

全波形激光雷达的回波中携带了被测目标的距离与特征信息,为了获取这些信息,本文提出了一种回波分解方法。本方法将原始的全波形回波分解为几个独立的高斯脉冲,并得到其函数表达式,从而提取出被测目标的距离等信息。分解过程中,首先,采用可变阈值的经验模态分解滤波法(EMD-soft)对原始波形进行滤波和噪声水平评估;其次,采用一套应对多种波形组成的初始参数估计方法,获取后续拟合所需的初始参数;最后,采用LM(Levenberg-Marquardt)优化算法对回波进行拟合优化,从而获取全波形回波中包含的独立高斯脉冲及其函数表达式。仿真波形的分解实验表明,分解误差在0.1 ns量级,换算成距离误差为15 mm,通过实验室自制的全波形激光雷达实验系统获取的回波的分解实验表明,分解的距离误差小于0.1 m。对比另外两种高斯分解方法对于相同仿真与实验数据的分解结果可以看出,本方法在分解成功率与精度上都有较大的提高。回波分解后的独立高斯脉冲中,除距离外还含有被测目标的反射率、粗糙度、面型等丰富的信息,回波分解方法作为回波分析的基础,将在遥感、测绘等生产与科研领域中发挥非常重要的作用。     

采用Levenberg Marquardt的逐步递进波形分解方法

针对机载全波形Li DAR波形数据分解问题,提出一种采用Levenberg Marquardt的逐步递进波形分解方法。该方法基于Levenberg Marquardt的非线性最小二乘拟合算法,选取高斯函数模型并采用逐步递进的波形分解方式得到准确的模拟波形。对Riegl数据中的2条典型波形进行分解实验,并与普通非线性最小二乘方法的结果进行对比分析,证明该方法是可行有效的。     

基于LM算法的机载LiDAR全波形数据分解研究

全波形机载激光雷达系统采集的波形数据蕴含着丰富的地物信息,因此,这些地物信息的提取方法具有很大的研究价值。本文通过对全波形数据的去噪平滑以及LM参数优化算法实现了波形分解,并利用其结果生成的点云数据与系统点云数据进行对比,结合部分点云剖面图分析其给实际生产应用所带来的帮助,实验表明,本文所用方法可以有效地提高数据中地物信息的质量。     

利用波形信息的加权曲面拟合LiDAR点云滤波

为发挥机载全波形激光探测与测量（light detection and ranging,LiDAR）技术优势,提高数字高程模型（digital elevation model,DEM）生成精度,提出了一种利用波形信息的加权曲面拟合LiDAR点云滤波方法。该方法利用全局收敛LM解算离散点云与波形参数,引入波形信息与抗差估计原理检测异常种子点,依据波形参数对地形曲面进行加权拟合,综合考虑滤波窗口尺寸与曲面拟合中误差影响设置自适应高差阈值。选取中国黑河综合遥感联合实验中的城市区域、耕地区域与山地区域数据进行实验,结果表明,相比传统方法,所提方法的波形分解结果更加可靠,点云滤波精度进一步提高,具备较高实用价值。     

全波形LiDAR数据分解的可变分量高斯混合模型及RJMCMC算法

传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。     

全波形激光雷达的波形优化分解算法

随着数据存储能力和处理速度的提高,三维激光扫描系统逐渐具备全波形采集和分析技术。为了从全波形数据中获得脉冲时间、幅度、脉宽以及多回波分布等综合信息,波形分解成为了全波形激光雷达数据处理的关键技术之一。针对LM算法在一定程度上依赖初值,而传统激光雷达数据处理容易遗漏部分重叠的返回波,本文提出了一种改进回波分量初值设定的算法来获取回波脉冲的位置、宽度和强度。针对一套自主研发的全波形记录激光雷达演示系统进行了波形分解试验,定性和定量分析结果验证了该方法的有效性、可靠性和准确性。     

A novel approach to estimate canopy height using ICESat/GLAS data: A case study in the New Forest National Park,UK

The Geoscience Laser Altimeter System (GLAS) aboard Ice, Cloud and land Elevation Satellite (ICESat) is a spaceborne LiDAR sensor. It is the first LiDAR instrument which can digitize the backscattered waveform and offer near global coverage. Among others, scientific objectives of the mission include precise measurement of vegetation canopy heights. Existing approaches of waveform processing for canopy height estimation suggest Gaussian decomposition of the waveform which has the limitation to properly characterize significant peaks and results in discrepant information. Moreover, in most cases, Digital Terrain Models (DTMs) are required for canopy height estimation. This paper presents a new automated method of GLAS waveform processing for extracting vegetation canopy height in the absence of a DTM. Canopy heights retrieved from GLAS waveforms were validated with field measured heights. The newly proposed method was able to explain 79% of variation in canopy heights with an RMSE of 3.18 m, in the study area. The unexplained variation in canopy heights retrieved from GLAS data can be due to errors introduced by footprint eccentricity, decay of energy between emitted and received signals, uncertainty in the field measurements and limited number of sampled footprints.Results achieved with the newly proposed method were encouraging and demonstrated its potential of processing full-waveform LiDAR data for estimating forest canopy height. The study also had implications on future full-waveform spaceborne missions and their utility in vegetation studies.     

全局收敛LM算法优化的机载激光测深信号提取方法

在机载激光测深系统中,水面与水底回波信号的提取精度是影响系统测深能力的关键因素,然而传统的信号提取方法易受噪声影响,精度低,对测量环境的适应性差。针对上述问题,提出一种全局收敛LM(Levenberg Marquardt)算法优化的机载激光测深信号提取方法。首先通过模糊筛选得到较为可靠的初值;然后利用基于全局收敛LM的波形分解算法对波形进行分析建模,从而获取每个初值点的高斯分解参数;最后通过多条件筛选确定精确的水面、水底回波信号位置。利用实测数据和模拟数据分别进行实验,结果表明提出方法对回波信号具有较高的检测正确率,且稳定性较强。     

A general-purpose framework for parallel processing of large-scale LiDAR data

ABSTRACT

Light detection and ranging (LiDAR) data are essential for scientific discoveries such as Earth and ecological sciences, environmental applications, and responding to natural disasters. While collecting LiDAR data over large areas is quite possible the subsequent processing steps typically involve large computational demands. Efficiently storing, managing, and processing LiDAR data are the prerequisite steps for enabling these LiDAR-based applications. However, handling LiDAR data poses grand geoprocessing challenges due to data and computational intensity. To tackle such challenges, we developed a general-purpose scalable framework coupled with a sophisticated data decomposition and parallelization strategy to efficiently handle ‘big’ LiDAR data collections. The contributions of this research were (1) a tile-based spatial index to manage big LiDAR data in the scalable and fault-tolerable Hadoop distributed file system, (2) two spatial decomposition techniques to enable efficient parallelization of different types of LiDAR processing tasks, and (3) by coupling existing LiDAR processing tools with Hadoop, a variety of LiDAR data processing tasks can be conducted in parallel in a highly scalable distributed computing environment using an online geoprocessing application. A proof-of-concept prototype is presented here to demonstrate the feasibility, performance, and scalability of the proposed framework.