一种植被覆盖区星载光子计数激光雷达数据去噪方法

1.本发明涉及一种植被覆盖区星载光子计数激光雷达数据去噪方法，属于星载激光雷达技术领域。


背景技术：

2.2018年9月15日搭载atlas(the advanced topographic laser altimeter system)测高系统的icesat-2(the ice cloud and land elevation satellite-2)卫星发射成功，是当前唯搭载单光子测高系统的卫星，不同于上一代卫星icesat(the ice cloud and land elevation satellite)的全波形回收测高系统，atlas采用了单光子测距模式，由于其极高的探测频率和灵敏的光子响应，单光子雷达拥有比全波形回收雷达更高的探测精度。当前atlas系统数据的应用范围主要包括：浅水区水深测量，内陆水水平面监测，森林区植被高度测量、生物量反演，南北两级冰盖和海冰变化监测。
3.atlas的数据产品总共有4级21种，当前可在美国国家冰雪数据中心下载。本文用到的数据产品主要有atl03和atl08，atl03为全球定位光子数据，atl08为土地和植被高程数据，它是atl03数据通过官方的滤波和分类算法处理后的数据，通过内部的数据关联即可得到官方算法处理后的数据。
4.由于搭载的测高系统使用的是单光子测量机制，灵敏度较高，因此再获得较高的精度的同时也会产生大量的噪声。为了获得可用的数据，首先就是要对原始点云数据进行降噪处理。当前主要的滤波算法有基于局部距离统计算法，聚类算法和栅格图像的边缘提取算法。官方提供的滤波算法为dragann(differential regressive and gaussian adaptive nearest neighbor)算法，算法是基于局部距离统计算法实现的，通过统计每个点所处的圆域中心的密度，构建密度频率直方图，并通过高斯拟合和em算法寻找阈值，从而去除噪声。从atl08的数据中可以看出该算法在植被覆盖的地区，尤其是崎岖复杂的山林地区，滤波效果并不好，本发明由于其可以适应坡度的特性很好的解决了这个问题。


技术实现要素：

5.为了实现对森林地区的光子点云数据进行去噪，本发明提出了使用最大密度中心高程搜索法粗去噪和基于dbscan的坡度适应去噪的方法进行去噪，具体包括以下步骤：
6.s1、最大密度中心高程搜索法粗去噪：
7.s1.1、对光子点云数据划分为几个等沿轨距离的片段，通常可以根据地形变化情况选择滤波窗口的大小；森林地区地势崎岖，起伏较大，因此窗口尽可能的保持小，因此优选30m的窗口作为滤波窗口；窗口数为m。
8.s1.2、计算每个光子片段的最大密度光子点，计算方法如下式所示。
[0009][0010]
式中nr(pi)为光子点pi(xi,yi)在半径为r的圆邻域内的光子点数目，x,y为光子点坐标，pi,pj为光子点，distance(pi,pj)为光子点pi,pj之间的距离，des
max
为nr(pi)的最大值。
[0011]
s1.3、记录每个密度中心点的坐标(x,y),数据集c中。
[0012]
s1.4、获取每个窗口最大密度光子点的高程hm＝ym(m＜n)，设立高程范围为[h
m-50,hm 50]。
[0013]
s1.5、高程范围外的光子被标定为噪声并进行剔除,处于高程范围内的为信号。
[0014]
s2、基于dbscan的坡度自适应密度聚类算法去噪：
[0015]
s2.1、重新确定滤波窗口，定义窗口大小为500m。
[0016]
s2.2、提取数据集c计算坡度角范围如式(2)所示。
[0017][0018]
s2.3、确定椭圆域的长短轴a,b。
[0019]
s2.4、对窗口内的每个点计算椭圆邻域的光子点数，计算公式为(4)，为确定每个光子点云数据内椭圆邻域的光子点数，首先就是遍历所有光子点判断某个光子是否是邻域光子点，以光子点p(x
p
,y
p
),q(xq,yq)为例，要确定光子点q是否处于光子点p的椭圆邻域，可先通过式(3)计算dis,
[0020][0021][0022]
当dis＜1时，点q在点p的椭圆域内；den(θi)表示为椭圆长轴与水平轴夹角为θi时，点p的椭圆域内光子点的数目,θ∈[min(φ),max(φ)]。
[0023]
s2.5、将窗口内所有点的den建立频率直方图。
[0024]
s2.6、通过拟合高斯函数的方法，形成两个高斯峰，高斯峰交点的横坐标即为滤波阈值。
[0025]
s2.7、所有的光子点的den与阈值进行比较，若大于阈值，则被确定为信号光子，否则被确定为噪声，并进行剔除。
[0026]
本发明的有益效果：相比较于传统的dbscan去噪算法，该算法使用了多层去噪结构，利用最大密度中心高程搜索法粗去噪，可以做到快速粗去噪，减少了后续聚类算法的运算量；同时，坡度自适应的dbscan聚类去噪算法使用的是适应坡度方向的椭圆域作为聚类
邻域，在对陡峭地形的数据进行滤波的时候可以很好的保留信号光子，避免过度去噪。
附图说明
[0027]
图1为原始的atl03数据点云图。
[0028]
图2为经过最大密度中心搜索粗去噪后的点云图。
[0029]
图3为经过基于dbscan的坡度适应去噪算法去噪后的点云图。
[0030]
图4为最大密度中心粗去噪算法流程图。
[0031]
图5为基于dbscan的坡度适应去噪算法流程图。
具体实施方式
[0032]
下面结合本发明的附图，对本发明的具体实施方法做完整的、清楚的描述，下面所描述的实例仅为一部分实例而非全部实例。
[0033]
植被覆盖度地区星载激光雷达数据去噪的方法，包括以下步骤。
[0034]
s1、登录美国国家冰雪数据中心，选择atl03数据下载。
[0035]
s2、提取需要的数据，本实施例需要的数据为光子高程h_ph以及沿轨距离along_track，对应光子坐标信息(x,y)，初始的点云数据图如图1所示。
[0036]
s3、最大密度中心高程搜索法粗去噪，去噪流程如图4所示：
[0037]
s3.1、对光子点云数据划分为几个等沿轨距离的片段，通常可以根据地形变化情况选择滤波窗口的大小；对地势崎岖的山地森林，地形起伏较大，窗口选择小，划分30m的窗口作为滤波窗口；对农作物为主的种植大面积种植区，窗口则可以大一点以减少重复计算，换分50m作为滤波窗口，窗口数为n。
[0038]
s3.2、计算每个光子片段的最大密度光子点，计算方法如式(1)所示
[0039][0040]
s3.3、记录每个密度中心点的坐标(x,y)存储于数据集c中。
[0041]
s3.4、获取每个窗口最大密度光子点的高程hm＝ym(m＜n)，设立高程范围为[h
m-50,hm 50]，高程范围外的光子被标定为噪声并进行剔除,处于高程范围内的为信号，去噪结果如图2所示。
[0042]
s4、使用基于dbscan的坡度自适应密度聚类算法去噪，去噪流程如图5所示：
[0043]
s4.1、重新确定滤波窗口，定义窗口大小为500m。
[0044]
s4.2、提取数据集c计算坡度角范围，计算公式如式(2)所示。
[0045][0046]
s4.3、定义椭圆域去噪的长短轴a,b对于森林植被覆盖的地区通常取a＝6b，农作物生长区取a＝9b。
[0047]
s4.4、对窗口内的每个点计算椭圆邻域的光子点数den
[0048]
s4.5、将窗口内所点的den建立频率直方图。
[0049]
s4.6、通过拟合高斯函数的方法，形成两个高斯峰，高斯峰交点的横坐标即为滤波阈值。
[0050]
s4.7、对于所有光子点的den如果大于阈值则为信号，否则为噪声。
[0051]
通过上述的步骤即可完成对星载光子计数激光雷达的点云数据滤波，图3为最后的去噪结果。
[0052]
本发明针对星载单光子激光雷达数据噪声和信号光子的密度分布特性，利用基于最大光子密度中心去噪法，利用基于dbscan算法的坡度适应算法进行去噪，最后获得了一个较好的结果，下面为本发明的应用实例。
[0053]
实施例1、利用本发明中的算法处理东北大兴安岭地区的星载光子计数雷达数据，提取了有用的森林植被信息，这些信息对于森林火灾的预防、了解森林生态系统过程、制定森林管理和恢复政策以减轻全球气候变暖等都具有重要的参考价值。
[0054]
实施例2
[0055]
用本发明中的算法处理云南地区大片苹果种植园星载光子计数雷达数据，并提取了苹果园的植被信息，通过分析不同时间段的植被信息，从而了解苹果园的长势情况，制定了种植计划。节省了大量的人力和物力。
[0056]
实施例3
[0057]
用本发明中的算法处理平原地区大片小麦种植地的星载光子计数雷达数据，获取了种植园区的植被信息，通过参考植被信息从而实现对小麦生长的实时监测、预测产量和病虫灾防治。