基于噪声邻域密度的光子计数激光点云自适应去噪方法与流程

1.本发明属于光子计数激光雷达点云数据处理领域，涉及基于噪声邻域密度的光子计数激光点云自适应去噪方法。


背景技术：

2.光子计数激光雷达是今年发展起来的新技术体制激光雷达，目前已经应用到星载对地遥感领域。光子计数激光雷达采用高重频微脉冲激光器发射激光脉冲，采用单光子探测器接收反射的回波脉冲，通过测量发射和接收脉冲的时间差，实现高精度测距。光子计数激光雷达相对传统线性体制激光雷达，所需激光器单脉冲能量小，适合多波束高重频探测，实现高空间分辨率探测。
3.光子计数激光雷达灵敏度达到单光子量级，造成其点云数据中包含大量噪声点。光子计数激光雷达目标处的信号点云密度大且集中，而噪声点比较分散，目标处沿轨方向点云密度比高度方向密度大。与成熟的机载激光雷达点云相比，点云特性明显不同因此，需要研究适合光子计数激光雷达点云的去噪方法。
4.针对光子计数激光雷达点云数据的去噪算法主要分为两类。一类是将点云栅格化为二维图像，采用图像处理算法进行去噪。该方法在栅格化过程中会造成有效信息丢失，并且不能充分利用点云的分布特征。另一类根据点云的分布特征，利用点云的局部统计特征进行去噪和分类，可以利用点云的分布特征，但在参数选取方面主要依赖经验，算法精度和适应性难以保障。


技术实现要素：

5.本发明解决的技术问题是：克服现有技术的不足，提出一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，实现自适应点云密度和目标形态，自适应确定去噪参数，适合在没有先验知识的情况下，大范围自适应点云去噪，具有较高的识别率和准确率。
6.本发明解决技术的方案是：
7.基于噪声邻域密度的光子计数激光点云自适应去噪方法，包括如下步骤：
8.步骤一、将原始激光点云投影到二维坐标系oxy上，并获得各投影点在二维坐标系oxy下的坐标(x
i
,y
i
)；
9.步骤二、以各投影点为中心，建立初级搜索区域，确定在初级搜索区域内所有投影点的最佳拟合直线；
10.步骤三、根据各投影点初级搜索区域的最佳拟合直线，将初级搜索区域进行修正，并统计修正后搜索区域内的所有投影点的数量，即邻域密度；
11.步骤四、对所有投影点修正后搜索区域内的邻域密度进行直方图统计，并通过高斯拟合确定噪声点邻域密度的均值μ和标准差σ；
12.步骤五、对噪声点邻域密度均值μ进行判断：当5≤μ≤10时，进入步骤六；当不满足5≤μ≤10时，则对修正后的搜索区域进行等比例缩放，重复步骤三至步骤五，直至满足5≤μ
≤10，进入步骤六；
13.步骤六、计算噪声判定阈值m
p
，根据噪声判定阈值m
p
判断噪声点；将噪声点去除，剩余点即为信号点。
14.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤一中，二维坐标系oxy的建立方法为：
15.x方向为沿轨飞行方向，y方向为激光雷达测量视线方向；原点o为包络所有投影点的矩形框架的左下角点。
16.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤二中，初级搜索区域的建立方法为：
17.以各投影点为中心，建立尺寸为l
×
h的矩形初级搜索区域；其中，l为平行于x轴方向，h为平行与y轴方向。
18.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，最佳拟合直线的确定方法为：
19.在各投影点的初级搜索区域内，找到直线y＝ax b，实现在初级搜索区域内所有投影点到直线y＝ax b的最短距离和最小，即为最佳拟合直线。
20.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤三中，对初级搜索区域进行修正的方法为：
21.将l
×
h的矩形初级搜索区域修正为平行四边形区域，平行四边形区域的其中2条相对边平行与y轴，且长度均为h；另外2条相对边与最佳拟合直线平行，且该边在x方向的投影长度为l；中心点保持不变。
22.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤四中，噪声点邻域密度的均值μ和标准差σ的确定方法为：
23.通过高斯函数拟合各点邻域密度统计直方图的第一个波峰，确定噪声点邻域密度的均值μ和标准差σ；其中，x为点的邻域密度；y为该邻域密度出现的次数；a为噪声点邻域密度第一个波峰的峰值。
24.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤五中，对修正后的搜索区域进行等比例缩放的具体方法为：
25.计算缩放系数m；重新计算平行四边形区域的边长，其中，将长度为h的边长修改为m
×
h；将在x方向的投影长度为l的边修改为在x方向的投影长度为m
×
l。
26.在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述缩放系数m的计算方法为：
[0027][0028]
式中，μ为噪声点邻域密度的均值；
[0029]
μ1为设定参数，满足5≤μ1≤10。
[0030]
在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，所述步骤六中，噪声判定阈值m
p
的计算方法为：
[0031]
m
p
＝μ n
·
σ
[0032]
式中，n为正整数，且n≥3。
[0033]
在上述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，判断噪声点的方法为：
[0034]
将μ与m
p
进行对比，当μ小于m
p
时，则判断该点为噪声点。
[0035]
本发明与现有技术相比的有益效果是：
[0036]
(1)本发明针对不同的地貌、地物和信噪比，本方法都保持了较高的识别率和准确率，具有很好的自适应性；
[0037]
(2)本发明搜索区域依据目标的形态自适应调整，可以充分利用信号点的邻域密度信息；
[0038]
(3)本发明搜索区域区域具有明确的物理含义，可以自适应确定噪声邻域密度参数用于去噪；
[0039]
(4)本发明适合在没有先验知识的情况下，大范围自适应点云去噪，具有很好的去噪效果。
附图说明
[0040]
图1为本发明自适应去噪流程图；
[0041]
图2为典型建筑物光子计数激光点云数据；
[0042]
图3(a)为本发明初级搜索区域示意图；
[0043]
图3(b)为本发明修正后搜索区域示意图；
[0044]
图4为本发明所有点的邻域密度统计直方图；
[0045]
图5为本发明高斯拟合确定噪声点邻域密度均值和方差示意图；
[0046]
图6为对图2中原始点云去噪后的信号点云示意图。
[0047]
图7(a)、(b)、(c)、(d)依次为实施例中序号6、8、3和9数据点云的去噪结果示意图。
具体实施方式
[0048]
下面结合实施例对本发明作进一步阐述。
[0049]
本发明提供了基于噪声邻域密度的光子计数激光点云自适应去噪方法，可以自适应点云密度和目标形态，自适应确定去噪参数，实现在没有先验知识的情况下，大范围自适应点云去噪，对不同的地貌、地物和信噪比，本方法都保持了较高的识别率和准确率，具有很好的去噪效果。
[0050]
光子计数激光点云自适应去噪方法，如图1所述，具体包括如下步骤：
[0051]
光子计数激光雷达获取的原始点云包括每个点的飞行时刻信息t
i
和三维坐标信息(xo
i
,yo
i
,zo
i
)，其中，i为点的编号。将原始点云投影到二维坐标系oxy上，x向为沿轨飞行方向，y向为激光雷达测量视线方向，计算点云中每个点的新坐标(x
i
,y
i
)，如图2所示。当垂直对地测量时，xi＝(ti
‑
t0)
×
v，yi＝zoi，其中，t0为激光雷达开始工作时间，v为飞行器飞行速度。
[0052]
步骤一、光子计数激光雷达获取的原始点云包括每个点的飞行时刻信息t
i
和三维坐标信息i，其中，i为点的编号。将原始激光点云投影到二维坐标系oxy上，并获得各投影点在二维坐标系oxy下的坐标(x
i
,y
i
)；二维坐标系oxy的建立方法为：
[0053]
x方向为沿轨飞行方向，y方向为激光雷达测量视线方向；原点o为包络所有投影点的矩形框架的左下角点。
[0054]
步骤二、以各投影点为中心，建立初级搜索区域。初级搜索区域的建立方法为：以各投影点为中心，建立尺寸为l
×
h的矩形初级搜索区域；其中，l为平行于x轴方向，h为平行与y轴方向。
[0055]
确定在初级搜索区域内所有投影点的最佳拟合直线；最佳拟合直线的确定方法为：在各投影点的初级搜索区域内，找到直线y＝ax b，实现在初级搜索区域内所有投影点到直线y＝ax b的最短距离和最小，即为最佳拟合直线。确定参数a和b，也就是该点周围目标的特征方向，如图3(a)所示，当测量目标为坡地时，该指向方向即为地面沿飞行方向的坡度。在选择初始参数的时候：h≥2τc，其中，τ为光子计数激光雷达发射脉冲的半高全宽；l≥10h。
[0056]
步骤三、根据各投影点初级搜索区域的最佳拟合直线，将初级搜索区域进行修正。对初级搜索区域进行修正的方法为：将l
×
h的矩形初级搜索区域修正为平行四边形区域，平行四边形区域的其中2条相对边平行与y轴，且长度均为h；另外2条相对边与最佳拟合直线平行，且该边在x方向的投影长度为l；中心点保持不变。并统计修正后搜索区域内的所有投影点的数量，即邻域密度。
[0057]
其中，y向边长h可以表征噪声的积分时间t
j
＝2h/c，其中，c为光速。平行四边形在x向的投影长度l可以表征在飞行时间内的累计脉冲数ns＝l/v*f，其中，v为飞行器飞行速度，f为光子计数激光雷达测量频率。然后，计算搜索区域内的点数量，即邻域密度，如图3(b)所示。在判断某点(x
i
,y
i
)对应的搜索区域内有多少个点时，需要对其余点(x
ii
,y
ii
)进行遍历。首先判断x
ii
是否位于区间[x
i
‑
l/2,x
i
l/2]，如果在改区间，则对y
ii
进行判断，如果x
ii
不满足该区间，则该点不属于点(x
i
,y
i
)的邻域点。将x
ii
带入公式y＝ax b，得到y
bj
＝ax
ii
b，然后计算搜索区域在x
ii
处的边界[y
bj
‑
h/2，y
bj
h/2]，当y
ii
位于该边界内，则该点为点(x
i
,y
i
)的邻域点，否则不属于该点的邻域点。
[0058]
步骤四、对所有投影点修正后搜索区域内的邻域密度进行直方图统计，统计所有邻域密度出现的次数，如图4所示，x坐标为邻域密度，y坐标为该邻域密度出现的次数。并通过高斯拟合确定噪声点邻域密度的均值μ和标准差σ；噪声点邻域密度的均值μ和标准差σ的确定方法为：通过高斯函数拟合各点邻域密度统计直方图的第一个波峰，确定噪声点邻域密度的均值μ和标准差σ，如图5所示。其中，x为点的邻域密度；y为该邻域密度出现的次数；a为噪声点邻域密度第一个波峰的峰值。
[0059]
步骤五、对噪声点邻域密度均值μ进行判断：当5≤μ≤10时，进入步骤六；当不满足5≤μ≤10时，则对修正后的搜索区域进行等比例缩放，对修正后的搜索区域进行等比例缩放的具体方法为：计算缩放系数m；述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于：所述缩放系数m的计算方法为：
[0060][0061]
式中，μ为噪声点邻域密度的均值；
[0062]
μ1为设定参数，满足5≤μ1≤10。
[0063]
重新计算平行四边形区域的边长，其中，将长度为h的边长修改为m
×
h；将在x方向的投影长度为l的边修改为在x方向的投影长度为m
×
l。缩放的主要目的是获得合适的噪声邻域密度均值。当邻域密度均值μ过小时，不能很好的体现噪声的分布特征，邻域信息利用不足，高斯拟合也会出现较大误差。当邻域密度均值μ过大时，搜索区域面积过大，会噪声信号点和信号点的混淆，影响去噪效果。
[0064]
并重复步骤三至步骤五，直至满足5≤μ≤10，进入步骤六。
[0065]
步骤六、计算噪声判定阈值m
p
，噪声判定阈值m
p
的计算方法为：
[0066]
m
p
＝μ n
·
σ
[0067]
式中，n为正整数，且n≥3。为了保证最大限度的剔除噪声，n至少为3。可以根据不同的应用场景和需要，调整n的取值，平衡识别率和准确率。
[0068]
根据噪声判定阈值m
p
判断噪声点；将μ与m
p
进行对比，当μ小于m
p
时，则判断该点为噪声点。依据噪声判定阈值m
p
，遍历所有的点，剔除邻域密度小于m
p
的噪声点，其余即信号点，实现光子计数激光点云的去噪。图2所示点云去噪后的结果如图6所示。
[0069]
采用识别率和准确率评估去噪效果，识别率r定义为所有信号点中被算法正确识别的比例，准确率p定义为被识别为信号点中识别正确的比例，其中，tp为正确识别为信号点的数量，fn为误判为噪声点的信号点数量；fp表示误识别为信号点的噪声点的数量。
[0070]
采用本算法对机载飞行试验获取的光子计数激光点云数据进行了去噪处理，选取的数据片段如表1所示，包括了冰盖、海面、植被和陆地等典型地貌和地物。对选取的激光点云数据进行了处理，结果如表2所示，给出了各数据片段的去噪效果评价参数，识别率及准确率。序号6、8、3和9数据点云的去噪结果如图7(a)、(b)、(c)和(d)所示。
[0071]
表1 mabel点云数据
[0072][0073]
表2 mabel点云数据处理参数及结果评价
[0074][0075]
针对不同的地貌、地物和信噪比，本方法都保持了较高的识别率和准确率，具有很好的自适应性。搜索区域依据目标的形态自适应调整，可以充分利用信号点的邻域密度信息。搜索区域区域具有明确的物理含义，可以自适应确定噪声邻域密度参数用于去噪。本方法适合在没有先验知识的情况下，大范围自适应点云去噪，具有很好的去噪效果。
[0076]
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。