机载激光测深近水面渗透误差修正的半经验波形分解方法

信号检测精度是影响机载激光测深最终测量成果的一项关键因素。针对绿激光在水面存在的近水面渗透现象,为提高水面信号检测精度,本文提出一种半经验波形分解方法。该方法通过简化激光辐射传输过程构建一种符合波形实际情况的半经验信号卷积模型,并利用基于航迹和影像数据人工选取的深水波形样本估计模型中水体参数初值及取值范围,在波形先验的约束下基于信赖域算法实现波形各组成部分的精确重构,从而确定水面信号位置并修正近水面渗透误差。试验结果表明,本文方法在波形分解中将理论与经验结合,可较好地适应不同水深下的波形,能够在保证高拟合度的同时提升水面信号的检测精度,相比去卷积算法和传统波形分解方法,本文方法在精度上分别提高了44%和51%。     

机载海洋激光测深系统的自适应匹配滤波算法

机载海洋激光测深系统发射的激光脉冲经由大气、海气界面和海水的复杂信道传播,信号功率随海水深度的增加呈指数衰减,同时脉冲波形随深度增加发生严重的脉冲展宽与波形失真,此两类传输特性分别限制了最大测量深度与测深精度。为了在确保最大测量深度指标的前提下改进机载海洋激光测深系统的测深精度,首先结合实测水质数据与蒙特卡罗仿真方法,研究不同深度下的回波信号特性,揭示激光信号的传输特性,建立新的激光测深系统参数设计方法,可满足国际上现有机载海洋激光测深系统的指标;然后在系统参数确定的条件下,对不同深度回波信号的波形失真进行仿真,设计了自适应匹配滤波算法以提高测深精度。仿真结果表明,所设计的系统参数及自适应匹配滤波算法可以实现机载测绘性能为白天测深深度50 m、测深精度166 mm,夜晚测深深度70 m、测深精度172 mm。     

单频机载激光测深海陆回波自动分类方法EI北大核心CSCD

海陆回波分类是机载激光测深中的一项波形预处理步骤,关系着后续信号检测和点云生成的精度。针对现有海陆回波分类方法不适用于单频机载激光测深系统且自动化程度不高的问题,本文提出一种单频机载激光测深海陆回波自动分类方法:首先,通过首末回波信号检测及点位计算获得回波的点云高程特征;然后,采用高程直方图拟合的方式确定平均水面位置,依据点云高程特征判定大部分回波的海陆属性,对余下的未定回波,仅保留其中的最强信号并统一处理为单信号回波,同时提取波形的信号特征和能量分布特征,依据点云高程特征的相似性自动建立训练样本集;最后,利用支持向量机分类器实现未定回波的分类。采用国产系统Mapper5000采集的实测数据进行试验,结果表明基于首末回波点云的初分类可快速、准确地对远离海陆交界处的回波进行分类,基于波形特征的未定回波分类可在自动建立的训练样本集支持下实现海陆交界处未定回波的高精度分类。与传统方法相比,本文方法无须近红外通道波形和人工样本的辅助就可以达到较高的分类精度,其中总体分类精度可达99.82%,海陆交界处分类精度可达91.59%。     

机载激光测深波形分解中LM与EM参数优化方法比较

受作业环境与扫描条件的影响,机载激光测深全波形数据处理所得的参数分量初值精度通常较低,需采用优化方法在此基础上进一步调整分量参数以提高波形分解精度。本文代表性地选取了非线性阻尼最小二乘方法(Levenberg-Marquardt,LM)和期望最大化方法(expectation-maximization,EM)两种不同的参数优化方案,针对机载激光测深全波形数据的波形分解参数优化问题,结合实测和模拟波形数据对两种优化方法在相同初值条件下的波形模拟精度、扫描条件及其响应,以及水深估计偏差等方面的特征进行了详细的对比分析,着重探讨了两种参数优化方法所得结果的准确度与稳定性,并对其主要技术特征与效果差异进行了总结。     

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。     

一种由粗到精的机载激光测深信号检测方法

针对机载激光测深（airborne lidar bathymetry,ALB）中不同环境下波形的差异性较大,且信号检测精度受限于系统采样间隔等问题,提出一种由粗到精的机载激光测深信号检测方法。该方法首先利用接收波形的有效长度快速估计水深;粗检测依据水深近似值,分别采用理查德森-露西去卷积法（Richardson-Lucy deconvolution,RLD）和平均差方函数法（average square difference function,ASDF）对波形预处理,通过包含距离、导数和极值约束的逐级检测确定信号的初始位置;精检测以粗检测结果为初值,利用改进的二阶多项式指数函数模型,并在模型参数求解中引入信赖域优化算法以实现波形的精确拟合,进而获得信号的精确位置。实测数据和模拟数据的试验结果表明,粗检测能够根据波形的特点采取相应的处理方式为精检测提供可靠的初值;精检测可将检测结果精确至子采样间隔并在粗检测基础上进一步提高精度。与极大值检测、ASDF、RLD和四边形拟合法等传统方法相比,本文方法正确率平均提高10%左右,精度平均提高约30%。     

机载激光雷达测深数据处理与应用

机载激光雷达测深系统(ALB)是除声呐测深系统之外最可靠的遥感水深测量系统。随着ALB的商业化,越来越多的研究机构能够获取到水体全回波数据,对水体全回波数据的处理方法也越来越多。本文首先介绍ALB测量原理的基础上,对全波数据的预处理和波峰搜索算法进行概述,并对这些处理方法的优缺点进行总结。考虑到激光脉冲和水面、水体以及水底的作用是个复杂的过程,所以文章接着分析了影响ALB测深精度的主要因素(水深、水质和水下底质反射率),并在最后总结归纳了ALB系统在水下地物分类中的最新应用现状和未来应用的发展趋势。     

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。     

机载激光测深去卷积信号提取方法的比较

为提高机载激光测深信号提取的精度,在测深波形数据处理中引入去卷积信号提取方法,即利用去卷积对波形进行预处理,再对去卷积后的波形实现峰值检测,以精确确定测深信号位置。通过定义性能评定指标对维纳滤波去卷积、非负最小二乘、理查德森-露西去卷积、盲源去卷积4种常用去卷积算法的信号复原能力进行对比分析,并对去卷积信号提取方法的信号检测能力进行验证。试验结果表明,理查德森-露西去卷积算法能够显著提高测深信号分辨率,且算法适应性强,成功率高;相比传统的峰值检测方法,去卷积信号提取方法具有更高的信号检测率、精度和更广的测深范围。     

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。     

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。     

大光斑波形数据在土地覆盖分类的适用性分析

针对GLAS地学激光测高系统是冰、云和陆地高程卫星(ICESat)的唯一监测工具,能够记录地表光斑内的地物信息,是否能应用于黄土高原土地覆盖分类的问题进行了研究。利用粒子群和最小二乘法相结合的方法对GLAS波形数据进行高斯分解,获取高斯波个数、波形总能量、波形信号起始和信号结束位置4个波形参数;基于波形自动分类方法对黄土高原水体、森林、城市用地、其他地类(裸地、低矮植被等)进行分类。通过基于覆盖相同研究区域的30 m地表覆盖数据(Globe Land30),验证分类的准确性。结果表明,GLAS大光斑波形数据对黄土高原的4种地类能够很好地进行区分,总分类精度高达87.68%,Kappa系数为65.79%。研究表明,GLAS波形数据可以作为获取土地覆盖信息的有效数据源,为研究黄土高原土地覆盖变化提供更丰富的数据支持。     

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。     

基于GPU的全波形并行LM分解算法

波形分解是机载激光雷达全波形数据处理的重要基础工作,通过求解波形函数模型的参数,将波形数据利用具体的函数模型拟合出来,实现对全波形及其中各个子波形函数表达。LM(Levenberg-Marquardt)算法及其改进的算法是波形分解中对参数进行拟合求解的常用方法。针对LM算法在参数拟合计算的过程中存在大量迭代和矩阵运算,提出了基于线程块组和线程两级并行粒度的并行计算方案。将串行多次循环迭代求解参数改为单次并行计算取最佳值实现对参数的选择,将矩阵运算进行线程块的协同并行计算,实现了LM算法在通用计算图形处理器上的并行计算。实验证明,在规定阈值条件下,并行LM降低了算法的迭代次数,提高了波形分解LM算法的计算效率,为提高波形分解的处理效率提供了研究思路。     

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。