一种基于激光卫星数据的浅海区域光子去噪方法

摘要

一种基于激光卫星数据的浅海区域光子去噪方法，属于激光卫星数据信号处理领域。该方法包括以下步骤：通过构建椭圆形搜索区域确定参数统计范围；通过统计搜索范围内的点密度、点间平均距离、点间K=3距离、点间K=5距离确定BP神经网络的训练参数；当所述BP神经网络训练完成之后即可用于浅海区域光子数据进行去噪处理。本发明针对搭载光子计数激光雷达的卫星获取的激光卫星数据进行去噪，具有运算速度快，去噪效果好，数据处理连贯等特点。通过数据去噪可获取高精度、小半径的光子数据，在例如岛礁周边、近海沿岸的浅海区域可以实现精度、效率及经济成本的测绘，具有很大的技术优势和发展前景。

权利要求

1.一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；

步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；

步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；

步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；

所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；

所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K=3距离或点间K=5距离是按照K近邻法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值；

所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。

2.如权利要求1所述的基于激光卫星数据的浅海区域光子去噪方法，其特征是所述BP神经网络输出层采用Sigmoid激活函数。

说明书

一种基于激光卫星数据的浅海区域光子去噪方法

技术领域

[0001] 本发明涉及一种数据的去噪处理方法，具体涉及一种基于激光卫星数据的浅海区域光子去噪方法，属于激光卫星数据信号处理领域。

背景技术

[0002] 激光卫星数据是研究海洋，尤其是研究海底状况的重要手段。光子计数激光雷达系统采用更加灵敏的单光子探测器，具有更高的脉冲重复频率，更高的精度和更小的激光足印，在岛礁周边的浅海区域可以实现精度、效率及经济成本的最优选择，具有很大的技术优势和发展前景。为了获取更好的技术效果，对激光卫星数据进行去噪处理尤为重要。现有针对光子数据处理的研究主要集中在去噪问题上，现存的去噪算法中可分为三类：基于局部统计参数的去噪算法、基于栅格转换的去噪算法和基于密度聚类去噪算法。其中基于局部统计参数和基于密度聚类算法的研究较多，但其存在聚类参数难以确定的问题；基于栅格转换的去噪算法则会出现精度损失等问题；目前基于神经网络的去噪算法研究较少。

发明内容

[0003] 本发明目的是提供了一种基于激光卫星数据的浅海区域光子去噪方法，以克服现有技术中的不足。

[0004] 本发明通过构建椭圆形搜索区域确定参数统计范围；通过统计搜索范围内的点密度、点间平均距离、点间K=3距离、点间K=5距离确定BP神经网络的训练参数；通过训练BP神经网络，对例如岛礁周边、近海沿岸的浅海区域光子点云数据进行去噪处理。

[0005] 本发明采用的具体技术方案如下：

[0006] 一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：

[0007] 步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；

[0008] 步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；

[0009] 步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；

[0010] 步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；

[0011] 所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；

[0012] 所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K距离是按照K邻近距离法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值。

[0013] 所述BP神经网络输出层采用Sigmoid激活函数，该函数是平滑的阶梯函数，处处可导，可以将任何值转换为0 1概率，常用于二分类。~

[0014] 所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。

[0015] 有益效果

[0016] 本发明首先利用了椭圆区域来对光子进行划分与统计，并且通过大量实验提炼出了以上四种关键参数，基于此可建立神经网络，从而实现了浅海区域的光子数据去噪处理，本技术方案具有运算速度快，去噪效果好，数据处理连贯等特点。

[0017] 本发明针对搭载光子计数激光雷达的激光卫星数据，该数据可获取高精度、小半径的光子数据，在例如岛礁周边、近海沿岸的浅海区域可以实现精度、效率及经济成本最优的测绘，具有很大的技术优势和发展前景。

附图说明

[0018] 图1是本发明的方法流程图。

[0019] 图2是本发明采用的BP神经网络结构简图。

具体实施方式

[0020] 下面结合附图进一步说明本发明的过程。

[0021] 如图1所示，一种基于激光卫星数据的浅海区域光子去噪方法，其特征是包括以下步骤：

[0022] 步骤1：对浅海区域的原始激光卫星数据，分别以每个光子为椭圆中心构建椭圆形搜索区域；

[0023] 步骤2：对搜索区域内的所有光子数据统计参数，获取每个光子的4个属性信息；

[0024] 步骤3：将统计的参数信息输入BP神经网络训练，得到训练好的BP神经网络；

[0025] 步骤4：将训练好的BP神经网络用于其他浅海区域，得到浅海区域光子去噪结果；

[0026] 所述步骤1中，将原始激光卫星数据高斯投影到平面坐标系上，横坐标为光子沿轨距离，纵坐标为光子高程；椭圆形搜索区域的长半轴为5m，短半轴为0.5m，分别以每一个光子点为椭圆中心构建椭圆搜索区域；

[0027] 所述步骤2中，在构建椭圆形搜索区域之后，每个椭圆形搜索区域内部会包含若干光子，分别统计各搜索区域内部光子的点密度、点间平均距离、点间K=3距离、点间K=5距离；所述点间K距离是按照K邻近距离法，计算每个椭圆内点与点之间的距离，构建点与点之间距离列表，对距离列表每行进行升序排列后计算每列距离的平均值，点间K=3即此距离列表第三列对应的数值，K=5即第五列对应的数值。

[0028] BP神经网络是目前研究最多、应用最广泛的前馈神经网络。简单的BP神经网络包括输入层、隐含层和输出层三部分，其中隐含层可以有多层，各层节点之间通过权值进行连接。

[0029] 所使用的BP神经网络输出层采用Sigmoid激活函数，该函数是平滑的阶梯函数，处处可导，可以将任何值转换为0 1概率，常用于二分类。~

[0030] 所使用的BP神经网络的训练包括正向传播和反向反馈两个训练过程；其中正向传播是输入数据通过输入层和隐含层按各层节点权重计算，输出预测结果；反向反馈过程是将预测结果与真实结果对比，通过误差梯度下降法调整权重；通过正向传播和反向反馈两个过程，按网络运算顺序，逐层固定权重迭代运算，直至预测结果与真实结果趋近一致，训练完成。BP神经网络的结构简图如图2所示。将以上步骤2所得数据作为输入，即可用于BP神经网络的训练。

[0031] 所述的BP神经网络具体运算公式如公式(1)‑公式(3)所示，其中f(x)为Sigmoid激活函数表达式，当只有一层隐含层的情况下，隐含层节点表示为aj，由输入层到隐含层的权重in_wij和真值与预测值之间的偏移量bj通过加权运算得到；由隐含层到输出层的权重out_wij和偏移量bj加权运算得到输出层节点yj。

[0032]

[0033]

[0034]

[0035] 通过目视解译给出一组准确的分类的结果作为训练集，用于BP神经网络的训练，并用测试集测试检验分类器的效果。

[0036] 所述步骤4中，对于其他浅海区域的原始激光卫星数据，按照所述步骤1、2的方式获取每个光子的4个属性信息，将其作为步骤3所述BP神经网络的输入数据，从而得到浅海区域光子去噪结果。