[发明专利]一种改进的基于聚类的单光子点云数据去噪方法

权利要求书

1.一种改进的基于聚类的单光子点云数据去噪方法，其特征在于，包括以下步骤：

步骤1：将光子计数激光测高仪的三维点云数据转换为二维点云数据，二维点云数据通过粗去噪方法得到粗去噪后二维点云数据；

步骤2：将粗去噪后二维点云数据通过均匀化处理得到均匀化后二维点云数据；

步骤3：将均匀化后二维点云数据通过精去噪方法得到精去噪后二维点云数据；

步骤1中所述三维点云数据转换为二维点云数据为：

将光子计数激光测高仪的三维点云数据P＝(m_k,n_k,y_k)用二维点云数据表示：

P＝(x_k,y_k)，k∈[1,N_t]

其中，N_t为三维点云离散点的数量即二维点云离散点的数量，m_k表示第k个三维点云离散点的经度，n_k表示第k个三维点云离散点的纬度，x_k表示第k个二维点云离散点的水平距离值即第k个二维点云离散点的沿轨距离值，且y_k表示第k个二维点云离散点的垂直距离值即第k个二维点云离散点的高程；

步骤1中所述粗去噪方法为：

将二维点云数据按照每l_v米为一个间隔，划分成M＝h/l_v个高程片，M为高程片的数量，高程的范围为：

h＝max(y_k)-min(y_k)，k∈[1,N_t]

其中，N_t为二维点云离散点的数量，max(y_k)为y_k，k∈[1,N_t]的最大值，max(y_k)为y_k，k∈[1,N_t]的最小值；

每个高程片内二维点云离散点为：

P_i＝(x_i,j,y_i,j)，i∈[1,M]，j∈[1,E_i]

l_v×(i-1)＜y_i,j＜l_v×i

其中，x_i,j为第i个高程片内第j个二维点云离散点沿轨距离值，y_i,j为第i个高程片内第j个二维点云离散点高程，E_i为第i个高程片内二维点云离散点的数量；

以高程片i为横坐标，第i个高程片内二维点云离散点的数量E_i为纵坐标建立高程统计分布直方图，并用巴特沃斯滤波器对高程统计分布直方图进行五点加权滤波：

E_i,filt＝a₁E_i-2+a₂E_i-1+a₃E_i+a₄E_i+1+a₅E_i+2i∈[3,M]

a＝(a₁,a₂,a₃,a₄,a₅)

其中，E_i,filt为滤波后第i个高程片内二维点云离散点的数量，a₁为滤波器第一加权系数，a₂为滤波器第二加权系数，a₃为滤波器第三加权系数，a₄为滤波器第四加权系数，a₅为滤波器第五加权系数；

根据滤波后高程片内二维点云离散点的数量得到高程阈值：

E_d,filt＝max{E_1,filt,E_2,filt,...,E_M,filt}

E_T＝E_d,filt/2

其中，max为求最大值，E_T为高程阈值；

当高程片(i，E_i,filt)i∈[1,M]满足以下条件：

E_iE_T,i∈[3,M]；

(i，E_i,filt)为非极小值点，即E_i,filt至少要大于E_i-1,filt，E_i+1,filt中的任意一个；

l_v×|i-d|＝λ，d为E_d,filt对应的高程片；

满足以上条件在|i-d|，i∈[1,M]中搜索最小值：

当i_Ld时，下限高程阈值T_start＝l_v×i_L，|i_L-d|在|i-d|，i∈[1,M]中为最小值；

当i_Hd时，上限高程阈值T_end＝l_v×i_H，|i_H-d|在|i-d|，i∈[1,M]中为最小值；

步骤1中所述粗去噪后二维点云数据为：

P_filt,

其中P_filt＝(x_k,y_k)，y_k∈(T_start,T_end),k∈[1,N_p]，N_p为粗去噪后二维点云离散点的数量；

步骤3中所述精去噪方法为：

根据邻域半径Eps、核心点阈值MinPts以及均匀化后二维点云数据P_aver通过DBSCAN聚类算法挑选均匀化后二维点云数据P_aver中的信号点即精去噪后二维点云数据P_signal；

核心点阈值MinPts为：

其中，N_t为步骤1中所述二维点云离散点的数量，M为步骤1中所述高程片的数量，M₁为步骤1中所述高程片内二维点云离散点的数量E_i大于N_t/M的高程片的数量，N₁为M₁个高程片中所有二维点云离散点的数量，M₂为步骤1中所述高程片内二维点云离散点的数量E_i小于等于N_t/M的高程片的数量，N₂为M₂个高程片中所有二维点云离散点的数量；

根据邻域半径Eps，核心点阈值MinPt和均匀化后二维点云数据P_aver通过DBSCAN算法，即可得到精去噪后二维点云数据P_signal。

2.根据权利要求1所述的改进的基于聚类的单光子点云数据去噪方法，其特征在于：步骤2中所述均匀化处理为：

在沿着搭载激光测高仪的卫星或飞机的运行轨道方向，将粗去噪后二维点云数据P_filt按照每l_h米为一个间隔，划分成K＝L/l_h个沿轨距离片，距离的范围为：

L＝max(x_k)-min(x_k)，k∈[1,N_p]

其中，max(x_k)为x_k，k∈[1,N_p]的最大值，min(x_k)为x_k，k∈[1,N_p]的最小值；

每个沿轨距离片内粗去噪后二维点云离散点为：

P_i＝(x_u,v,y_u,v)，u∈[1,K]，v∈[1,H_u]

l_h×(u-1)＜x_u,v＜l_h×u

其中，x_u,v为第u个沿轨距离片内第v个粗去噪后二维点云离散点的沿轨距离值，y_u,v为第u个沿轨距离片内第v个粗去噪后二维点云离散点的高程，H_u为第u个沿轨距离片内粗去噪后二维点云离散点的数量；

以沿轨距离片u为横坐标，第u个沿轨距离片内粗去噪后二维点云离散点的数量H_u为纵坐标建立高程统计分布直方图，然后以沿轨距离统计分布直方图为基础，计算粗去噪后二维点云离散点落在每一个沿轨距离片的概率；

其中，PDF(u)表示粗去噪后二维点云离散点落在第u个沿轨距离片的概率，其中u∈{1,2,…，K}；

然后对每个点云离散点的沿轨距离x_u,v，进行调整得到均匀后的沿轨距离x_u,v,2：

x_u,v,2＝K×l_hCDF(u)+K×x_u,v,remPDF(u+1)

其中，x_u,v,2代表均匀化后第u个沿轨距离片中第v个离散点的沿轨距离值，x_u,v,rem表示x_u,v除以l_h的余数，通过点云均匀化，用x_u,v,2的值替换x_u,v可以得到步骤2中均匀化后二维点云数据P_aver＝(x_k,2,y_k),k∈[1,N_p]。