[发明专利]基于小波包分析神经网络的全波形激光雷达数据去噪方法

说明书

技术领域

本发明涉及对地观测技术领域，特别是涉及一种基于小波包分析和神经网 络的星全波形激光雷达数据去噪方法。特别是涉及一种以不同小波函数对原始 全波形激光雷达数据进行小波包分析去噪，并比较其与原始数据的代价函数， 代价函数最小的结果作为最终的全波形激光雷达数据去噪结果。

背景技术

通过对全波形激光雷达传感器获取的地物全波形激光雷达数据进行波形分 解，可以得到足印光斑内地物表面与传感器之间的距离，再结合传感器位置就 可以得到足印光斑内地物表面的高度分布状况。全波形激光雷达已被广泛应用 于极地冰盖、地表高程、植被监测、城市规划等领域。通过全波形激光雷达数 据可以反演地物的横截面，这是普通激光雷达数据做不到的，全波形激光雷达 技术目前已成为最主要的主动星载、机载光学遥感技术。

2003年，美国国家航空航天管理局(NASA)与发射率专门用于极地冰盖、 云和陆地的高程卫星ICESAT1(Ice，Cloud,andlandElevationSatellite)， ICESAT1上所搭载的全波形激光高度计GLAS(GeoscienceLaserAltimeter System)获取了全球不同地物的全波形激光雷达数据，并用于反演冰盖、云高、 森林生物量、湖面高度、城市建筑物密度等，获得了良好的应用效果，极大地 促进了星载主动光学遥感乃至整个遥感技术的发展。该卫星于2009年终止运 行。目前，对地观测技术越来越受到各国政府的重视，尤其是世界主要航天大 国都制定了不同的对地观测计划，将会发射大量的对地观测卫星，其中也包括 全波形星载激光雷达卫星。因此，开发用于全波形激光雷达数据的处理技术具 有重要现实意义。

波形分解是获取传感器至地物表面距离的关键步骤之一，波形分解的精度 直接影响所获取的距离精度。波形分解的精度处理与波形分解技术本身的精度 有关之外，还会受到输入的全波形激光数据中噪声的影响，输入数据的噪声越 大，波形分解结果误差越大。而在全波形激光雷达测量过程中，传感器所引入 的噪声又不可避免的混入所输出的原始全波形激光雷达数据中。因此，在波形 分解之前，去除原始全波形激光雷达数据中的噪声是十分必要的。目前，用于 全波形激光雷达数据去噪的常用方法主要有基于时域的滑动平均(Moving Average，MA)和基于频域的快速傅里叶变换(FastFourierTransform，FFT)。 滑动平均容易将波形数据中的尖峰平滑，将脉冲展宽。通过对原始全波形激光 雷达数据进行快速傅里叶变换后，在频率域滤波会导致边缘震荡和振铃。另外， 快速傅里叶变换不适用于处理信噪比过低的全波形激光雷达数据。

一般来说，由于要穿过整个大气层，星载全波形激光雷达所接受到的地面 回波能量大大减小，其信噪比要低于光程较短的机载全波形激光雷达数据。因 此，用于星载全波形激光雷达数据的去噪方法应该在去除噪声的同时，要保证 原始的波形趋势，还应该适用于低信噪比数据的处理。小波分析包是近些年来 新发展起来的一种将时域数据变换到频域的一种方法，可以认为是普通小波函 数的线性组合，是小波分析的升级版。它可以对高频信号进一步分解，能够在 所有频率范围内聚焦，相比传统小波分析更具灵活性。在噪声去除方面，小波 包变换后数据的熵降低，可以很好地刻画数据的非平稳特性，可以很好地保持 数据的尖峰和边缘，并对原始数据进行去相关。小波包重构过程中，最重要的 一步就是确定用于重构的小波包结点系数，只有选择的小波包结点系数不包含 噪声部分，才能有效地去除噪声。神经网络具有很强学习能力、鲁棒性、自组 织和自适应性，分类精度较高。因此，可以用神经网络区分信号和噪声的小波 结点系数。

发明内容

针对现有技术的空白和缺点。本发明所要解决的技术问题是提供一种精度 高、效率高的全波形激光雷达数据噪声去除方法。

为了解决上述技术问题，本发明提供的一种基于小波包分析的星全波形激 光雷达数据去噪方法，实现该方法，数据处理步骤如下：