[发明专利]LiDAR全波形控制分解驱动的点云分类法

说明书

本申请的LiDAR全波形控制分解驱动的点云分类法，采用逐层抽离的方法逐一从原波形中预估子波因子，并采用动态全局算法对预估的波形特征因子进行优化，提取波形分解得到的特征因子并生成高密度点云，最后基于波形特征因子采用SVM对点云数据进行分类；一是LiDAR全波形数据预处理：提出适合去除LiDAR全波形随机噪声的算法，并改进加减交替迭代校正去噪方法，使其处理的结果效果更好；二是LiDAR全波形数据分解：在特征因子优化中引入动态全局算法，并在其优化过程中加入控制，使得优化结果不偏离实际；三是基于波形特征因子的点云分类。实现了机载小光斑全波形LiDAR快速、准确的波形分解提取，实现了LiDAR点云的精准高效分类。

技术领域

本申请涉及一种LiDAR全波形点云分类方法，特别涉及一种LiDAR全波形控制分解驱动的点云分类法，属于LiDAR点云分类技术领域。

背景技术

机载LiDAR是近年来发展迅速的遥感数据获取技术，它能够快速、直接地获取空间三维坐标，以其高精度、高效率、低成本等特点，广泛应用于地形测量、城市建模、电力线提取等领域。

传统的离散机载LiDAR系统只记录地物反射的第一次回波和最后一次回波，多回波系统则最多记录4到5次回波，这两种系统都只能为用户提供三维点坐标及相关强度信息，用户利用三维坐标和强度信息通过滤波算法可进行地物分类、DEM生成等应用，针对几何信息进行了地物分类、城市三维重建、森林评估等方面，只利用了点云的几何信息，或最多加入了强度信息，地物分类的精度受到较大限制。

商用机载小光斑全波形LiDAR系统能够以很小的采样间隔记录散射体的整个后向散射回波波形，用户可以从全波形数据中提取更多信息。全波形数据能反映地物的垂直分布，揭示地物的几何属性和物理属性，从全波形数据中提取的信息是地物分类的重要特征。对全波形数据进行处理不仅可提取体现地物垂直结构和物理特性的参数(回波次数、脉冲宽、振幅等)，而且可生成密度更高、精度更高的三维点云，与多回波机载LiDAR获取的离散点云数据相比，全波形机载LiDAR的波形数据能提供更多的目标信息，但这也对全波形数据的分析和信息提取提出了更高要求，首先要快速、准确的提取出波形分解参数，才能在之后的处理中得到更加精准的结果。

机载小光斑全波形LiDAR系统出现以来，以其蕴含的巨大信息量吸引了大量的研发和应用。目前波形数据的处理方法主要包括阈值法、波形分解法和反卷积法。阈值法将回波中振幅大于某个给定值的信号认为是有效回波，然后采用局部最大值的方法计算目标的位置和振幅。阈值法实现起来较为简单，能够快速对波形进行处理，但是只能对简单波形进行有效处理，对较为复杂回波的处理结果在其准确性上存在较大问题，而且其原理与传统LiDAR系统获取离散点云的方法没有本质区别，并没有发挥出全波形数据的优势。波形分解方法将LiDAR全波形数据看作是若干个高斯波的叠加，然后分解出每个子波形，提取出子波形的参数(波峰大小、波峰位置、半波宽)，其中子波形的波峰位置的就是多次反射的反射点位。

高斯分解最先用于星载大光斑LiDAR全波形数据的处理，最早较完整的波形数据波形分解算法用于星载大光斑激光测高仪LVIS的波形数据处理，之后杨庚等在高斯分解的基础上，开发出一种提取激光测高仪回波基本信息算法，获取了波形数据子波形的个数及每个子波形的波峰位置、半波宽和振幅等参数。目前对机载LiDAR全波形数据波形分解的方法包括：基于非线性最小二乘的分层高斯函数波形拟合法，高斯-牛顿法，期望最大算法(EM)，以及改进的EM算法的波形分解法等。

现有技术利用机载LiDAR波形数据进行地物分类包括：对全波形数据进行去卷积处理，通过保留最后一个子波形的方法将数据分为地面点和非地面点，利用波形数据进行分类更多的是基于波形分解，利用波形分解得到子波形的波峰位置，计算出高密度的三维点云数据，还可以得到波峰大小、半波宽等反映地物反射特性的信息。起初的研究仅限于利用波形分解参数计算得到的高密度点云进行地物分类。